Gegeben ein DataFrame:

np.random.seed(0)
df = pd.DataFrame(np.random.randn(3, 3), columns=list('ABC'), index=[1, 2, 3])
df

          A         B         C
1  1.764052  0.400157  0.978738
2  2.240893  1.867558 -0.977278
3  0.950088 -0.151357 -0.103219

Was ist der einfachste Weg, eine neue Spalte hinzuzufügen, die einen konstanten Wert enthält, z. B. 0?

          A         B         C  new
1  1.764052  0.400157  0.978738    0
2  2.240893  1.867558 -0.977278    0
3  0.950088 -0.151357 -0.103219    0

Dies ist meine Lösung, aber ich weiß nicht, warum dies NaN in die 'neue' Spalte bringt?

df['new'] = pd.Series([0 for x in range(len(df.index))])

          A         B         C  new
1  1.764052  0.400157  0.978738  0.0
2  2.240893  1.867558 -0.977278  0.0
3  0.950088 -0.151357 -0.103219  NaN

Der Grund, warum dies NaNin eine Spalte eingefügt wird, liegt darin, dass df.indexund die IndexIhres rechten Objekts unterschiedlich sind. @zach zeigt den richtigen Weg, um eine neue Spalte mit Nullen zuzuweisen. Im Allgemeinen wird pandasversucht, die Indizes so weit wie möglich auszurichten. Ein Nachteil ist, dass wenn Indizes nicht ausgerichtet sind, Sie NaNüberall dort ankommen, wo sie nicht ausgerichtet sind. Spielen Sie mit den Methoden reindexund herum align, um eine gewisse Intuition für die Ausrichtung zu erlangen. Arbeiten Sie mit Objekten, die teilweise, vollständig und nicht alle ausgerichteten Indizes haben. So DataFrame.align()funktioniert beispielsweise Folgendes mit teilweise ausgerichteten Indizes:

In [7]: from pandas import DataFrame

In [8]: from numpy.random import randint

In [9]: df = DataFrame({'a': randint(3, size=10)})

In [10]:

In [10]: df
Out[10]:
   a
0  0
1  2
2  0
3  1
4  0
5  0
6  0
7  0
8  0
9  0

In [11]: s = df.a[:5]

In [12]: dfa, sa = df.align(s, axis=0)

In [13]: dfa
Out[13]:
   a
0  0
1  2
2  0
3  1
4  0
5  0
6  0
7  0
8  0
9  0

In [14]: sa
Out[14]:
0     0
1     2
2     0
3     1
4     0
5   NaN
6   NaN
7   NaN
8   NaN
9   NaN
Name: a, dtype: float64

Super einfache In-Place-Zuordnung: df['new'] = 0

Führen Sie zur direkten Änderung eine direkte Zuordnung durch. Diese Aufgabe wird von Pandas für jede Zeile gesendet.

df = pd.DataFrame('x', index=range(4), columns=list('ABC'))
df

   A  B  C
0  x  x  x
1  x  x  x
2  x  x  x
3  x  x  x

df['new'] = 'y'
# Same as,
# df.loc[:, 'new'] = 'y'
df

   A  B  C new
0  x  x  x   y
1  x  x  x   y
2  x  x  x   y
3  x  x  x   y

Hinweis für Objektspalten

Wenn Sie eine Spalte mit leeren Listen hinzufügen möchten, ist hier mein Rat:

• Erwägen Sie, dies nicht zu tun. objectSpalten sind schlechte Nachrichten in Bezug auf die Leistung. Überdenken Sie die Struktur Ihrer Daten.
• Erwägen Sie, Ihre Daten in einer spärlichen Datenstruktur zu speichern. Weitere Informationen: spärliche Datenstrukturen

• Wenn Sie eine Listenspalte speichern müssen, stellen Sie sicher, dass Sie dieselbe Referenz nicht mehrmals kopieren.

  # Wrong
  df['new'] = [[]] * len(df)
  # Right
  df['new'] = [[] for _ in range(len(df))]
  

Kopie erstellen: df.assign(new=0)

Wenn Sie stattdessen eine Kopie benötigen, verwenden Sie DataFrame.assign:

df.assign(new='y')

   A  B  C new
0  x  x  x   y
1  x  x  x   y
2  x  x  x   y
3  x  x  x   y

Wenn Sie mehrere solcher Spalten mit demselben Wert zuweisen müssen, ist dies so einfach wie:

c = ['new1', 'new2', ...]
df.assign(**dict.fromkeys(c, 'y'))

   A  B  C new1 new2
0  x  x  x    y    y
1  x  x  x    y    y
2  x  x  x    y    y
3  x  x  x    y    y

Zuordnung mehrerer Spalten

Wenn Sie mehrere Spalten mit unterschiedlichen Werten zuweisen müssen, können Sie diese assignmit einem Wörterbuch verwenden.

c = {'new1': 'w', 'new2': 'y', 'new3': 'z'}
df.assign(**c)

   A  B  C new1 new2 new3
0  x  x  x    w    y    z
1  x  x  x    w    y    z
2  x  x  x    w    y    z
3  x  x  x    w    y    z

Mit modernen Pandas können Sie einfach Folgendes tun:

df['new'] = 0

Hier ist ein weiterer Liner mit Lambdas (Spalte mit konstantem Wert = 10 erstellen)

df['newCol'] = df.apply(lambda x: 10, axis=1)

Vor

df
    A           B           C
1   1.764052    0.400157    0.978738
2   2.240893    1.867558    -0.977278
3   0.950088    -0.151357   -0.103219

nach dem

df
        A           B           C           newCol
    1   1.764052    0.400157    0.978738    10
    2   2.240893    1.867558    -0.977278   10
    3   0.950088    -0.151357   -0.103219   10