【pandas基础】--数据修改

pandas 作为一种常用的数据分析工具，提供了广泛的数据修改方法。
既可以针对行或者列的数据进行修改，也可以对具体单个元素进行修改，还可以基于条件选择要修改的行或者列的数据。

1. 增加数据

1.1 增加行数据

pandas的DataFrame增加一行或者多行数据之前是使用append方法。

import pandas as pd

df = pd.DataFrame(columns=["name", "age", "gender"])
df = df.append(
    [
        {"name": "小红", "age": 13, "gender": "女"},
        {"name": "小明", "age": 15, "gender": "男"},
    ],
    ignore_index=True,
)
df

使用append方法会有FutureWarning警告，说明append方法以后会被淘汰，不建议使用此方法来增加数据。

建议使用的方法是 concat。
当两个DataFrame列相同的时候，通过concat可以其中一个DataFrame的行添加到另一个DataFrame中。

import pandas as pd

df = pd.DataFrame(columns=["name", "age", "gender"])
new_data = pd.DataFrame(
    {
        "name": ["小红", "小明"],
        "age": [13, 15],
        "gender": ["男", "女"],
    }
)
df = pd.concat([df, new_data[:1])
df

1.2 增加列数据

增加列数据用insert方法，insert方法有关键参数有三个：

1. loc：列插入的位置，从0开始
2. column：列名称
3. value：插入的值

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小红", "小明"],
        "age": [13, 15],
        "gender": ["男", "女"],
    }
)
df.insert(3, "score", [100, 95])
df

如果想把新的列插入到前面，修改insert方法的第一个参数。

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小红", "小明"],
        "age": [13, 15],
        "gender": ["男", "女"],
    }
)
df.insert(1, "score", [100, 95])
df

此外，前面增加行数据的concat方法也可以增加列数据，按列添加时，设置axis=1。

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小红", "小明"],
        "age": [13, 15],
        "gender": ["男", "女"],
    }
)
new_data = pd.DataFrame({"score": [100, 95]})
df = pd.concat([df, new_data], axis=1)
df

2. 删除数据

删除数据使用drop方法，drop方法的axis参数控制删除行还是列。

2.1 删除行

删除单行：

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小红", "小明", "小华"],
        "age": [13, 15, 14],
        "gender": ["男", "女", "男"],
    }
)

df.drop(1, axis=0)

删除多个行：

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小红", "小明", "小华"],
        "age": [13, 15, 14],
        "gender": ["男", "女", "男"],
    }
)

df.drop([0, 2], axis=0)

2.2 删除列

删除单个列：

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小红", "小明", "小华"],
        "age": [13, 15, 14],
        "gender": ["男", "女", "男"],
    }
)
df.drop("age", axis=1)

删除多个列：

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小红", "小明", "小华"],
        "age": [13, 15, 14],
        "gender": ["男", "女", "男"],
    }
)
df.drop(["age", "gender"], axis=1)

3. 修改数据

修改数据既可以使用之前介绍过的loc和iloc方法，也可以通过条件过滤出需要修改的值。
这里再次提醒下loc和iloc的区别：

1. loc使用标签，iloc使用索引
2. loc的行和列的标签是包含端点的，iloc的行和列的索引是不包含端点的

3.1 单个数据修改

通过loc或者iloc定位到具体的元素，然后修改。

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小红", "小明", "小华"],
        "age": [13, 15, 14],
        "gender": ["男", "女", "男"],
    }
)
df.loc[0, "name"] = "小黄"
# OR df.iloc[0, 0] = "小黄"

3.2 多个数据修改

通过loc或者iloc定位多个行和列，然后修改。

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小红", "小明", "小华"],
        "age": [13, 15, 14],
        "gender": ["男", "女", "男"],
    }
)

df.loc[0:1, "age"] = 18
# OR df.iloc[0:2, 1] = 18

3.3 按条件修改

loc或者iloc也可以设置条件来过滤出要修改的数据。

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小红", "小明", "小华"],
        "age": [13, 15, 14],
        "gender": ["男", "女", "男"],
    }
)

df.loc[df["age"] > 13, "age"] = 20
# OR df.iloc[df["age"] > 13, 1] = 20

4. 总结回顾

数据分析中，调整数据的值来试验分析结果的变化情况是很常见的操作。

本篇主要介绍了数据修改的常用方法，从行列的修改到单个元素的修改，以及按照条件修改数据。
熟练掌握上面介绍的方法，让我们在数据分析中更好的掌控自己的数据。