Làm cách nào để bạn gán giá trị cột khung dữ liệu cho một biến trong python?

Trả về một đối tượng mới với tất cả các cột ban đầu cùng với các cột mới. Các cột hiện tại được gán lại sẽ bị ghi đè

cú pháp

DataFrame.assign(self, **kwargs)

Thông số

TênMô tảLoại/Giá trị mặc địnhBắt buộc/Tùy chọn**kwargsTên cột là từ khóa. Nếu các giá trị có thể gọi được, chúng sẽ được tính toán trên DataFrame và được gán cho các cột mới. Có thể gọi không được thay đổi DataFrame đầu vào (mặc dù gấu trúc không kiểm tra nó). Nếu các giá trị không thể gọi được, (e. g. một Sê-ri, vô hướng hoặc mảng), chúng được gán đơn giản. lệnh của {str. có thể gọi hoặc Sê-ri}Bắt buộc

Tạo một biến mới trong khung dữ liệu gấu trúc là một nhiệm vụ dễ dàng. Bạn có thể chuyển các giá trị của cột mới đó hoặc bạn có thể tạo các giá trị của các cột mới dựa trên các cột hiện có

Đoạn mã hiển thị bên dưới tạo hai cột mới dựa trên cột Tuổi

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

# Xác định dữ liệu nhân viên

nhập gấu trúc as pd

nhập numpy as np

Dữ liệu nhân viên=pd. Khung dữ liệu({'Name': ['ram','ravi','sham','sita','gita'],

                            'id'. [101,102,103,104,105],

                        'Giới tính'. ['M','M','M','F','F'],

                           'Tuổi'. [21,25,24,28,25]

                          })

# In dữ liệu

in(Dữ liệu nhân viên)

 

# Tạo một biến mới trong dữ liệu dựa trên biến hiện có

Dữ liệu nhân viên['NewAge']= EmployeeData['Age'] + 10

 

# In dữ liệu

in(Dữ liệu nhân viên)

 

 

# Tạo một biến mới trong dữ liệu dựa trên biến hiện có

Dữ liệu nhân viên['AgeSquared']= EmployeeData['Age'] **2

 

# In dữ liệu

in(Dữ liệu nhân viên)

 

# Tạo một biến mới trong dữ liệu dựa trên biến hiện có

Dữ liệu nhân viên['AgeLOG']= np.log(Dữ liệu nhân viên['])

 

# In dữ liệu

in(Dữ liệu nhân viên)

đầu ra mẫu

tạo các cột mới dựa trên các cột hiện có trong pandas

---

Đôi khi logic được áp dụng cho từng giá trị của một cột hiện có có thể hơi phức tạp để vừa với một dòng, vì vậy chúng tôi xác định một hàm cho điều đó và áp dụng hàm đó cho từng giá trị của cột. Các kết quả được lưu trữ dưới dạng một cột mới

Đoạn mã hiển thị bên dưới kiểm tra xem tuổi của mỗi người có lớn hơn tuổi đã cho hay không, nếu có thì người đó là nhân viên cấp cao nếu không thì là nhân viên mới

Hàm đã xác định có hai đầu vào, một đầu vào là “inpAge”(tuổi của người đó) và “minAge” (độ tuổi tối thiểu để trở thành người cao tuổi)

Khi bạn áp dụng hàm “checkAge” cho cột Tuổi với sự trợ giúp của hàm apply(), hàm này sẽ gọi hàm “checkAge” một lần cho mỗi giá trị của Tuổi, trở thành đầu vào đầu tiên cho hàm “checkAge”, đầu vào thứ hai . Nếu có thêm bất kỳ đầu vào nào, tất cả chúng sẽ được cung cấp trong bộ args

Điều này tạo ra một kết quả cột, chúng tôi lưu trữ nó dưới dạng “EmpType”, sau đó gán nó vào khung dữ liệu dưới dạng một cột mới

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

# Xác định dữ liệu nhân viên

nhập gấu trúc as pd

Dữ liệu nhân viên=pd. Khung dữ liệu({'Name': ['ram','ravi','sham','sita','gita'],

                            'id'. [101,102,103,104,105],

                        'Giới tính'. ['M','M','M','F','F'],

                           'Tuổi'. [21,25,24,28,25]

                          })

# In dữ liệu

in(Dữ liệu nhân viên)

 

# Tạo các cột mới dựa trên một số tính toán trên các cột hiện có

# Định nghĩa một hàm để thực hiện logic

def checkAge(inpAge, minAge):

    if(inpAge>=minAge):

        return 'senior'

    khác.

        return 'mới hơn'

    

# Áp dụng hàm cho mỗi hàng trong cột Tuổi

# bộ args có thể được sử dụng để truyền nhiều đối số

# Đối số đầu tiên của hàm là giá trị của cột Tuổi

EmpType=EmpData['Tuổi'].áp dụng(checkAge, args=(25,))

Dữ liệu nhân viên['Loại nhân viên']=EmpType

 

# In dữ liệu

in(Dữ liệu nhân viên)

Đầu ra mẫu

tạo cột mới dựa trên cột hiện có bằng cách sử dụng hàm trong gấu trúc

• chi tiết tác giả

chi tiết tác giả

Farukh Hashmi

Nhà khoa học dữ liệu chính

Farukh là một nhà đổi mới trong việc giải quyết các vấn đề của ngành bằng Trí tuệ nhân tạo. Chuyên môn của ông được hỗ trợ bởi 10 năm kinh nghiệm trong ngành. Là một nhà khoa học dữ liệu cấp cao, anh ấy chịu trách nhiệm thiết kế giải pháp AI/ML để mang lại lợi ích tối đa cho khách hàng. Là một nhà lãnh đạo có tư duy, trọng tâm của ông là giải quyết các vấn đề kinh doanh chính của Ngành CPG. Ông đã làm việc trên nhiều lĩnh vực khác nhau như Viễn thông, Bảo hiểm và Hậu cần. Ông đã làm việc với các nhà lãnh đạo công nghệ toàn cầu bao gồm Infosys, IBM và các hệ thống liên tục. Niềm đam mê giảng dạy của anh ấy đã thôi thúc anh ấy tạo ra trang web này