67. 如何在 Pandas DataFrame 中添加新列？
可以使用 + 运算符、直接赋值或者 insert() 将新列添加到 Pandas 数据帧，如下所示：
import pandas as pd # 创建一个示例 DataFrame df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}) # 创建新的 Series df['third']= = pd.Series([7, 8, 9]) #To add new column third df += new_column print (df) # 创建新的 Series new_column = pd.Series([10, 11, 12]) # 分配新列到 DataFrame df['D'] = new_column print(df) # 定义新列的名称和数据 new_column_name = 'E' new_column_data = [13, 14, 15] # 在指定位置插入新列 df.insert(loc=1, column=new_column_name, value=new_column_data) print(df)
68. 如何从 DataFrame 中删除索引名称、行和列？
- 要删除索引名称：可以执行
del df.index._name或者将索引幅值为None以按名称删除索引。
import pandas as pd # 创建一个示例 DataFrame df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}) # 设置索引名称为 'Index_Name' df.index.name = 'Index_Name' print(df) # 删除索引名称 del df.index._name # 等效于 df.index._name = None print(df) ''' 输出： A B Index_Name 0 1 4 1 2 5 2 3 6 A B 0 1 4 1 2 5 2 3 6 '''
注意：如果在 del df.index._name 之前没有设置索引的名称，那么将提示 AttributeError 错误，因为它只会删除已经存在的索引名称。
- 从 DataFrame 删除行/列：
drop()方法用于从 DataFrame 中删除行/列。axis=0表示删除指定行或多行，axis=1表示删除指定列或多列。
import pandas as pd # 创建一个示例 DataFrame df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}) # 删除指定行 df_without_rows = df.drop([0, 2]) print(df_without_rows) # 创建一个示例 DataFrame df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}) # 删除指定列 df_without_columns = df.drop(['A'], axis=1) print(df_without_columns)
69. 如何获得序列 A 中没有的序列 B 中的项？
要获取 Series A 中没有的 Series B 中的项，可以使用 Pandas 的 isin() 方法和布尔索引。
以下是一种常见的方法：
import pandas as pd # 创建示例 Series series_a = pd.Series([1, 2, 3, 4]) series_b = pd.Series([3, 4, 5, 6]) # 使用 isin() 方法检查 Series B 中的项是否在 Series A 中 is_in_series_a = series_b.isin(series_a) # 使用布尔索引获取 Series B 中不在 Series A 中的项 result = series_b[~is_in_series_a] print(result)
输出结果如下所示，即为 Series A 中没有的 Series B 中的项：
2 5 3 6 dtype: int64
注意：以上代码假设 Series A 和 Series B 的数据类型相同（都为整数）。如果 Series A 和 Series B 的数据类型不同，需要先将它们转为相同的数据类型。
70. 如何获得序列 A 和序列 B 的非公共项？
要获取序列 A 和序列 B 的非公共项，可以使用 Pandas 的 isin() 方法和布尔索引的结合。
以下是一种常见的方法：
import pandas as pd # 创建示例 Series series_a = pd.Series([1, 2, 3, 4]) series_b = pd.Series([3, 4, 5, 6]) # 使用 isin() 方法检查 Series A 和 Series B 中的元素是否相互存在 is_in_series_a = series_b.isin(series_a) is_in_series_b = series_a.isin(series_b) # 使用布尔索引获取各自序列中不在另一个序列中的项 result = series_a[~is_in_series_b]._append(series_b[~is_in_series_a]) print(result)
输出结果如下所示，即为序列 A 和序列 B 的非公共项：
0 1 1 2 2 5 3 6 dtype: int64
71. Pandas 库可以识别导入的日期和时间数据吗？
是的，Pandas 库可以识别和处理日期和时间数据。当从不同来源导入数据时，Pandas 提供了多种方法来解析和识别日期和时间。
- 使用
pd.to_datetime()函数：可以使用pd.to_datetime()函数将字符串转换为 Pandas 的日期时间对象。它可以自动解析多种日期和时间格式，并将其转换为标准的日期时间格式。
import pandas as pd # 示例数据 data = ['2022-01-01 12:00:00', '2022-01-02 13:30:45', '2022-01-03 15:15:00'] # 转换为日期时间对象 datetime_data = pd.to_datetime(data) print(datetime_data)
输出结果如下所示：
DatetimeIndex(['2022-01-01 12:00:00', '2022-01-02 13:30:45', '2022-01-03 15:15:00'], dtype='datetime64[ns]', freq=None)
- 在这个例子中，
pd.to_datetime()函数将日期时间字符串列表转换为 Pandas 的DatetimeIndex对象，这是一个包含日期和时间的索引。 dateutil.parser.parse()：在某些情况下，日期和时间可能具有非标准的格式，无法被自动解析。可以使dateutil.parser.parse()函数来解析这些字符串。它是 dateutil 库中的一个功能强大的日期时间解析器。
from dateutil.parser import parse import pandas as pd # 示例数据 data = ['01/01/2022 12pm', '01/02/2022 01:30pm', '01/03/2022 03:45pm'] # 解析日期时间字符串 datetime_data = [parse(dt) for dt in data] # 转换为 pandas 的日期时间对象 datetime_data = pd.to_datetime(datetime_data) print(datetime_data)
- 输出结果如下所示：
DatetimeIndex(['2022-01-01 12:00:00', '2022-01-02 13:30:00', '2022-01-03 15:45:00'], dtype='datetime64[ns]', freq=None)
