熊猫栏目创建方法

Question

在Pandas中创建新列的方法很多(我可能在我的示例中漏掉了一些，所以请告诉我是否有其他列，我将在这里介绍)，我想找出使用每种方法的最佳时机。显然，某些方法在某些情况下比其他方法更好，但我想从整体的角度来评估它：效率、可读性和有用性。

我主要关注的是第一个三种，但是包含了其他方法，仅仅是为了说明使用不同的方法是可能的。这是你的样本dataframe

df = pd.DataFrame({'a':[1,2,3],'b':[4,5,6]})

最常见的方法是命名一个新列，如df['c']，并使用apply

df['c'] = df['a'].apply(lambda x: x * 2)
df
   a  b  c
0  1  4  2
1  2  5  4
2  3  6  6

使用assign可以完成相同的任务：

df = df.assign(c = lambda x: x['a'] * 2)
df
   a  b  c
0  1  4  2
1  2  5  4
2  3  6  6

通过@roganjosh更新：

df['c'] = df['a'] * 2
df
   a  b  c
0  1  4  2
1  2  5  4
2  3  6  6

使用map (肯定不如apply那么高效)：

df['c'] = df['a'].map(lambda x: x * 2)
df
   a  b  c
0  1  4  2
1  2  5  4
2  3  6  6

创建一个新的pd.series，然后concat将其带入dataframe

c = pd.Series(df['a'] * 2).rename("c")
df = pd.concat([df,c], axis = 1)
df
   a  b  c
0  1  4  2
1  2  5  4
2  3  6  6

使用join

df.join(c)
   a  b  c
0  1  4  2
1  2  5  4
2  3  6  6

Answer 1

简短的回答:矢量化调用(df['c'] = 2 * df['a'])几乎总是在速度和可读性两方面都获胜。关于在性能方面可以使用什么作为选项的“层次结构”，请参见this答案。

在一般情况下，如果在Pandas操作中有一个for i in ...或lambda，这(有时)意味着生成的计算调用Python代码，而不是Pandas的Cython库所依赖的优化C代码来进行矢量化操作。(对于依赖于底层NumPy的.values的操作也是如此。)

对于.assign()，注释中正确地指出，这会创建一个副本，而您可以将df['c'] = 2 * df['a']看作相当于设置字典键/值。前者所需的时间也是前者的两倍，虽然这可能有点过时，因为一个操作正在返回一个DataFrame，而另一个操作只是分配一个列。

>>> %timeit df.assign(c=df['a'] * 2)
498 µs ± 15.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

>>> %timeit -r 7 -n 1000 df['c'] = df['a'] * 2
239 µs ± 22.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

对于.map()：通常，正如名称所暗示的那样，当您希望为一个系列提供一个映射时(尽管它可以被传递给一个函数，就像在您的问题中一样)，您就会看到这一点。这并不意味着它不具有表现力，它只是在我见过的情况下被用作一种专门的方法：

>>> df['a'].map(dict(enumerate('xyz', 1)))
0    x
1    y
2    z
Name: a, dtype: object

至于.apply()：为了给答案注入一点意见，我认为在可能的情况下使用矢量化更为惯用。您可以在 is defined的代码中看到:因为您传递的是一个lambda，而不是一个NumPy ufunc，所以最终调用的是Cython函数map_infer，但是它仍然在执行您传递给Series df['a']的每个成员的任何函数，每次都是一个。

Answer 2

一种简洁的方法是：

df['c'] = 2 * df['a']

不需要按元素计算新列。

Answer 3

你为什么要使用lambda函数？您可以轻松地完成上述任务。

df['c'] = 2 * df['a']

这不会增加开销。