In [1]: import pandas as pd

Данные, используемые в этом руководстве:

Данные о качестве воздуха

Для этого руководства, данные о качестве воздуха о \(NO_2\) используется, предоставлен OpenAQ и используя py-openaq пакет. The air_quality_no2.csv набор данных предоставляет \(NO_2\) значения для измерительных станций FR04014, BETR801 и London Westminster соответственно в Париже, Антверпене и Лондоне.

К исходным данным

In [2]: air_quality = pd.read_csv("data/air_quality_no2.csv", index_col=0, parse_dates=True)

In [3]: air_quality.head()
Out[3]: 
                     station_antwerp  station_paris  station_london
datetime                                                           
2019-05-07 02:00:00              NaN            NaN            23.0
2019-05-07 03:00:00             50.5           25.0            19.0
2019-05-07 04:00:00             45.0           27.7            19.0
2019-05-07 05:00:00              NaN           50.4            16.0
2019-05-07 06:00:00              NaN           61.9             NaN

Как создавать новые столбцы на основе существующих столбцов#

Я хочу выразить \(NO_2\) концентрация станции в Лондоне в мг/м\(^3\).

(Если предположить температуру 25 градусов Цельсия и давление 1013 гПа, коэффициент преобразования составляет 1.882)

In [4]: air_quality["london_mg_per_cubic"] = air_quality["station_london"] * 1.882

In [5]: air_quality.head()
Out[5]: 
                     station_antwerp  ...  london_mg_per_cubic
datetime                              ...                     
2019-05-07 02:00:00              NaN  ...               43.286
2019-05-07 03:00:00             50.5  ...               35.758
2019-05-07 04:00:00             45.0  ...               35.758
2019-05-07 05:00:00              NaN  ...               30.112
2019-05-07 06:00:00              NaN  ...                  NaN

[5 rows x 4 columns]

Чтобы создать новый столбец, используйте [] скобки с новым именем столбца в левой части присваивания.

Примечание

Вычисление значений выполняется поэлементно. Это означает, что все значения в заданном столбце умножаются на значение 1.882 одновременно. Вам не нужно использовать цикл для перебора каждой строки!

Я хочу проверить соотношение значений в Париже и Антверпене и сохранить результат в новом столбце.

In [6]: air_quality["ratio_paris_antwerp"] = (
   ...:     air_quality["station_paris"] / air_quality["station_antwerp"]
   ...: )
   ...: 

In [7]: air_quality.head()
Out[7]: 
                     station_antwerp  ...  ratio_paris_antwerp
datetime                              ...                     
2019-05-07 02:00:00              NaN  ...                  NaN
2019-05-07 03:00:00             50.5  ...             0.495050
2019-05-07 04:00:00             45.0  ...             0.615556
2019-05-07 05:00:00              NaN  ...                  NaN
2019-05-07 06:00:00              NaN  ...                  NaN

[5 rows x 5 columns]

Вычисление снова поэлементное, поэтому / применяется для значений в каждой строке.

Также другие математические операторы (+, -, *, /,…) или логические операторы (<, >, ==,…) работают поэлементно. Последнее уже использовалось в учебник по выборке данных для фильтрации строк таблицы с использованием условного выражения.

Если вам нужна более сложная логика, вы можете использовать произвольный код Python через apply().

Я хочу переименовать столбцы данных в соответствующие идентификаторы станций, используемые OpenAQ.

In [8]: air_quality_renamed = air_quality.rename(
   ...:     columns={
   ...:         "station_antwerp": "BETR801",
   ...:         "station_paris": "FR04014",
   ...:         "station_london": "London Westminster",
   ...:     }
   ...: )
   ...: 

In [9]: air_quality_renamed.head()
Out[9]: 
                     BETR801  FR04014  ...  london_mg_per_cubic  ratio_paris_antwerp
datetime                               ...                                          
2019-05-07 02:00:00      NaN      NaN  ...               43.286                  NaN
2019-05-07 03:00:00     50.5     25.0  ...               35.758             0.495050
2019-05-07 04:00:00     45.0     27.7  ...               35.758             0.615556
2019-05-07 05:00:00      NaN     50.4  ...               30.112                  NaN
2019-05-07 06:00:00      NaN     61.9  ...                  NaN                  NaN

[5 rows x 5 columns]

The rename() функция может использоваться как для меток строк, так и для меток столбцов. Предоставьте словарь с ключами - текущими именами и значениями - новыми именами для обновления соответствующих имен.

Сопоставление не должно ограничиваться только фиксированными именами, но также может быть функцией сопоставления. Например, преобразование имён столбцов в строчные буквы можно выполнить с помощью функции:

In [10]: air_quality_renamed = air_quality_renamed.rename(columns=str.lower)

In [11]: air_quality_renamed.head()
Out[11]: 
                     betr801  fr04014  ...  london_mg_per_cubic  ratio_paris_antwerp
datetime                               ...                                          
2019-05-07 02:00:00      NaN      NaN  ...               43.286                  NaN
2019-05-07 03:00:00     50.5     25.0  ...               35.758             0.495050
2019-05-07 04:00:00     45.0     27.7  ...               35.758             0.615556
2019-05-07 05:00:00      NaN     50.4  ...               30.112                  NaN
2019-05-07 06:00:00      NaN     61.9  ...                  NaN                  NaN

[5 rows x 5 columns]

К руководству пользователя

Подробная информация о переименовании меток столбцов или строк представлена в разделе руководства пользователя переименование меток.

ПОМНИТЕ

Создайте новый столбец, присвоив вывод DataFrame с новым именем столбца между [].
Операции выполняются поэлементно, нет необходимости перебирать строки в цикле.
Используйте rename с помощью словаря или функции для переименования меток строк или имен столбцов.

К руководству пользователя

Руководство пользователя содержит отдельный раздел о добавление и удаление столбцов.