我有一个数据框架:
s1 = pd.Series([5, 6, 7])
s2 = pd.Series([7, 8, 9])
df = pd.DataFrame([list(s1), list(s2)], columns = ["A", "B", "C"])
A B C
0 5 6 7
1 7 8 9
[2 rows x 3 columns]
并且我需要添加第一行[2,3,4]，得到:
A B C
0 2 3 4
1 5 6 7
2 7 8 9
我尝试过append()和concat()函数，但找不到正确的方法。
如何添加/插入系列数据帧?
当前回答
我们可以使用numpy.insert。这具有灵活性的优点。您只需要指定要插入的索引。
s1 = pd.Series([5, 6, 7])
s2 = pd.Series([7, 8, 9])
df = pd.DataFrame([list(s1), list(s2)], columns = ["A", "B", "C"])
pd.DataFrame(np.insert(df.values, 0, values=[2, 3, 4], axis=0))
0 1 2
0 2 3 4
1 5 6 7
2 7 8 9
np.insert (df。Values, 0, Values =[2,3,4]， axis=0)， 0告诉函数要放置新值的位置/索引。
其他回答
我突然想到，也许T属性是一个有效的选择。转置，可以避开误导人的df。Loc[-1] =[2,3,4]，就像@flow2k提到的那样，它适用于更通用的情况，比如你想在任意行之前插入[2,3,4]，这是concat()，append()难以实现的。没有必要为定义和调试函数而费心。
a = df.T
a.insert(0,'anyName',value=[2,3,4])
# just give insert() any column name you want, we'll rename it.
a.rename(columns=dict(zip(a.columns,[i for i in range(a.shape[1])])),inplace=True)
# set inplace to a Boolean as you need.
df=a.T
df
A B C
0 2 3 4
1 5 6 7
2 7 8 9
我想这可以部分解释@MattCochrane抱怨为什么pandas没有像insert()那样插入一行的方法。
这看起来可能过于简单，但令人难以置信的是，一个简单的插入新行函数没有内置。我读了很多关于追加一个新的df到原来的，但我想知道这是否会更快。
df.loc[0] = [row1data, blah...]
i = len(df) + 1
df.loc[i] = [row2data, blah...]
在pandas数据帧中添加一行的最简单方法是:
DataFrame.loc[ location of insertion ]= list( )
例子:
DF.loc[ 9 ] = [ ´Pepe’ , 33, ´Japan’ ]
注意:列表的长度应该与数据帧的长度相匹配。
我们可以使用numpy.insert。这具有灵活性的优点。您只需要指定要插入的索引。
s1 = pd.Series([5, 6, 7])
s2 = pd.Series([7, 8, 9])
df = pd.DataFrame([list(s1), list(s2)], columns = ["A", "B", "C"])
pd.DataFrame(np.insert(df.values, 0, values=[2, 3, 4], axis=0))
0 1 2
0 2 3 4
1 5 6 7
2 7 8 9
np.insert (df。Values, 0, Values =[2,3,4]， axis=0)， 0告诉函数要放置新值的位置/索引。
Concat()似乎比上一行插入和重新索引快一些。 如果有人想知道两种顶级方法的速度:
In [x]: %%timeit
...: df = pd.DataFrame(columns=['a','b'])
...: for i in range(10000):
...: df.loc[-1] = [1,2]
...: df.index = df.index + 1
...: df = df.sort_index()
每循环17.1 s±705 ms(平均±标准值7次运行，每循环1次)
In [y]: %%timeit
...: df = pd.DataFrame(columns=['a', 'b'])
...: for i in range(10000):
...: df = pd.concat([pd.DataFrame([[1,2]], columns=df.columns), df])
每循环6.53 s±127 ms(平均±标准值7次运行，每循环1次)
