如何在一次分配中向熊猫数据框添加多列？

我是熊猫的新手，试图弄清楚如何同时向熊猫添加多列。感谢您的帮助。理想情况下，我希望一步一步完成此操作，而不是重复多次...

import pandas as pd

df = {'col_1': [0, 1, 2, 3],
        'col_2': [4, 5, 6, 7]}
df = pd.DataFrame(df)

df[[ 'column_new_1', 'column_new_2','column_new_3']] = [np.nan, 'dogs',3]  #thought this would work here...

我希望您的语法也能正常工作。出现问题是因为当您使用column-list语法（df[[new1, new2]] = ...）创建新列时，pandas要求右侧为DataFrame（请注意，如果DataFrame的列与列的名称相同，则实际上并不重要您正在创建）。

您的语法可以很好地为现有列分配标量值，并且pandas也很乐意使用单列语法（df[new1] = ...）将标量值分配给新列。因此，解决方案是将其转换为几个单列分配，或者为右侧创建一个合适的DataFrame。

这里有几种方法是将工作：

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'col_1': [0, 1, 2, 3],
    'col_2': [4, 5, 6, 7]
})

然后执行以下操作之一：

1）使用列表拆包，将三个作业合二为一：

df['column_new_1'], df['column_new_2'], df['column_new_3'] = [np.nan, 'dogs', 3]

2）DataFrame方便地扩展单个行以匹配索引，因此您可以执行以下操作：

df[['column_new_1', 'column_new_2', 'column_new_3']] = pd.DataFrame([[np.nan, 'dogs', 3]], index=df.index)

3）用新列创建一个临时数据框，然后与原始数据框合并：

df = pd.concat(
    [
        df,
        pd.DataFrame(
            [[np.nan, 'dogs', 3]], 
            index=df.index, 
            columns=['column_new_1', 'column_new_2', 'column_new_3']
        )
    ], axis=1
)

4）与前面类似，但是使用join代替concat（可能效率较低）：

df = df.join(pd.DataFrame(
    [[np.nan, 'dogs', 3]], 
    index=df.index, 
    columns=['column_new_1', 'column_new_2', 'column_new_3']
))

5）使用dict比前两个更“自然”地创建新数据框，但是新列将按字母顺序排序（至少在Python 3.6或3.7之前）：

df = df.join(pd.DataFrame(
    {
        'column_new_1': np.nan,
        'column_new_2': 'dogs',
        'column_new_3': 3
    }, index=df.index
))

6）.assign()与多个列参数一起使用。

我非常喜欢@zero的答案中的此变体，但像上一个一样，新列将始终按字母顺序排序，至少在早期版本的Python中：

df = df.assign(column_new_1=np.nan, column_new_2='dogs', column_new_3=3)

7）这很有趣（基于https://stackoverflow.com/a/44951376/3830997），但是我不知道什么时候值得这样做：

new_cols = ['column_new_1', 'column_new_2', 'column_new_3']
new_vals = [np.nan, 'dogs', 3]
df = df.reindex(columns=df.columns.tolist() + new_cols)   # add empty cols
df[new_cols] = new_vals  # multi-column assignment works for existing cols

8）最后，很难击败三个独立的任务：

df['column_new_1'] = np.nan
df['column_new_2'] = 'dogs'
df['column_new_3'] = 3

注意：这些选项中的许多选项已经包含在其他答案中：将多个列添加到DataFrame并将它们设置为等于现有列，是否可以一次将多个列添加到pandas DataFrame？，向pandas DataFrame添加多个空列

您可以使用assign列名称和值的字典。

In [1069]: df.assign(**{'col_new_1': np.nan, 'col2_new_2': 'dogs', 'col3_new_3': 3})
Out[1069]:
   col_1  col_2 col2_new_2  col3_new_3  col_new_1
0      0      4       dogs           3        NaN
1      1      5       dogs           3        NaN
2      2      6       dogs           3        NaN
3      3      7       dogs           3        NaN

随着concat的使用：

In [128]: df
Out[128]: 
   col_1  col_2
0      0      4
1      1      5
2      2      6
3      3      7

In [129]: pd.concat([df, pd.DataFrame(columns = [ 'column_new_1', 'column_new_2','column_new_3'])])
Out[129]: 
   col_1  col_2 column_new_1 column_new_2 column_new_3
0    0.0    4.0          NaN          NaN          NaN
1    1.0    5.0          NaN          NaN          NaN
2    2.0    6.0          NaN          NaN          NaN
3    3.0    7.0          NaN          NaN          NaN

不太确定您想做什么[np.nan, 'dogs',3]。也许现在将它们设置为默认值？

In [142]: df1 = pd.concat([df, pd.DataFrame(columns = [ 'column_new_1', 'column_new_2','column_new_3'])])
In [143]: df1[[ 'column_new_1', 'column_new_2','column_new_3']] = [np.nan, 'dogs', 3]

In [144]: df1
Out[144]: 
   col_1  col_2  column_new_1 column_new_2  column_new_3
0    0.0    4.0           NaN         dogs             3
1    1.0    5.0           NaN         dogs             3
2    2.0    6.0           NaN         dogs             3
3    3.0    7.0           NaN         dogs             3

使用列表理解，pd.DataFrame以及pd.concat

pd.concat(
    [
        df,
        pd.DataFrame(
            [[np.nan, 'dogs', 3] for _ in range(df.shape[0])],
            df.index, ['column_new_1', 'column_new_2','column_new_3']
        )
    ], axis=1)

如果添加许多具有相同值的缺失列（a，b，c，....），这里为0，我这样做：

    new_cols = ["a", "b", "c" ] 
    df[new_cols] = pd.DataFrame([[0] * len(new_cols)], index=df.index)

它基于已接受答案的第二个变体。

只想指出@Matthias Fripp的答案中的option2

（2）我不一定希望DataFrame可以这种方式工作，但确实可以

df [[''column_new_1'，'column_new_2'，'column_new_3']] = pd.DataFrame（[[np.nan，'dogs'，3]]，index = df.index）

已记录在熊猫自己的文档中 http://pandas.pydata.org/pandas-docs/stable/indexing.html#basics

您可以将列列表传递给[]，以按此顺序选择列。如果DataFrame中不包含任何列，则将引发异常。 也可以以此方式设置多列。 您可能会发现这对于将转换（就地）应用于列的子集很有用。

如果您只想添加空的新列，则reindex将完成此工作

df
   col_1  col_2
0      0      4
1      1      5
2      2      6
3      3      7

df.reindex(list(df)+['column_new_1', 'column_new_2','column_new_3'], axis=1)
   col_1  col_2  column_new_1  column_new_2  column_new_3
0      0      4           NaN           NaN           NaN
1      1      5           NaN           NaN           NaN
2      2      6           NaN           NaN           NaN
3      3      7           NaN           NaN           NaN

完整的代码示例

import numpy as np
import pandas as pd

df = {'col_1': [0, 1, 2, 3],
        'col_2': [4, 5, 6, 7]}
df = pd.DataFrame(df)
print('df',df, sep='\n')
print()
df=df.reindex(list(df)+['column_new_1', 'column_new_2','column_new_3'], axis=1)
print('''df.reindex(list(df)+['column_new_1', 'column_new_2','column_new_3'], axis=1)''',df, sep='\n')

否则去零与分配答案

我不喜欢使用“索引”，依此类推...可能如下

df.columns
Index(['A123', 'B123'], dtype='object')

df=pd.concat([df,pd.DataFrame(columns=list('CDE'))])

df.rename(columns={
    'C':'C123',
    'D':'D123',
    'E':'E123'
},inplace=True)


df.columns
Index(['A123', 'B123', 'C123', 'D123', 'E123'], dtype='object')