index - python pandas a value is trying to be set on a copy of a slice from a dataframe




Adicionando nova coluna ao DataFrame existente em pandas Python (15)

Eu tenho o seguinte DataFrame indexado com colunas nomeadas e linhas números não contínuos:

          a         b         c         d
2  0.671399  0.101208 -0.181532  0.241273
3  0.446172 -0.243316  0.051767  1.577318
5  0.614758  0.075793 -0.451460 -0.012493

Eu gostaria de adicionar uma nova coluna, 'e' , ao quadro de dados existente e não quero alterar nada no quadro de dados (ou seja, a nova coluna sempre tem o mesmo comprimento que o DataFrame).

0   -0.335485
1   -1.166658
2   -0.385571
dtype: float64

Eu tentei diferentes versões de join , append , merge , mas eu não consegui o resultado que queria, apenas erros no máximo. Como posso adicionar a coluna e ao exemplo acima?


Eu gostaria de adicionar uma nova coluna, 'e', ​​ao quadro de dados existente e não alterar nada no quadro de dados. (A série sempre tem o mesmo tamanho que um dataframe.)

Suponho que os valores de índice em e correspondam aos valores de df1 .

A maneira mais fácil de iniciar uma nova coluna denominada e , e atribuir os valores de sua série e :

df['e'] = e.values

assign (Pandas 0.16.0+)

A partir do Pandas 0.16.0, você também pode usar assign , que atribui novas colunas a um DataFrame e retorna um novo objeto (uma cópia) com todas as colunas originais, além das novas.

df1 = df1.assign(e=e.values)

Conforme este exemplo (que também inclui o código-fonte da função assign ), você também pode incluir mais de uma coluna:

df = pd.DataFrame({'a': [1, 2], 'b': [3, 4]})
>>> df.assign(mean_a=df.a.mean(), mean_b=df.b.mean())
   a  b  mean_a  mean_b
0  1  3     1.5     3.5
1  2  4     1.5     3.5

No contexto do seu exemplo:

np.random.seed(0)
df1 = pd.DataFrame(np.random.randn(10, 4), columns=['a', 'b', 'c', 'd'])
mask = df1.applymap(lambda x: x <-0.7)
df1 = df1[-mask.any(axis=1)]
sLength = len(df1['a'])
e = pd.Series(np.random.randn(sLength))

>>> df1
          a         b         c         d
0  1.764052  0.400157  0.978738  2.240893
2 -0.103219  0.410599  0.144044  1.454274
3  0.761038  0.121675  0.443863  0.333674
7  1.532779  1.469359  0.154947  0.378163
9  1.230291  1.202380 -0.387327 -0.302303

>>> e
0   -1.048553
1   -1.420018
2   -1.706270
3    1.950775
4   -0.509652
dtype: float64

df1 = df1.assign(e=e.values)

>>> df1
          a         b         c         d         e
0  1.764052  0.400157  0.978738  2.240893 -1.048553
2 -0.103219  0.410599  0.144044  1.454274 -1.420018
3  0.761038  0.121675  0.443863  0.333674 -1.706270
7  1.532779  1.469359  0.154947  0.378163  1.950775
9  1.230291  1.202380 -0.387327 -0.302303 -0.509652

A descrição desse novo recurso quando ele foi introduzido pela primeira vez pode ser encontrada here .


Atribuição de colunas super simples

Um dataframe do pandas é implementado como uma ordem ordenada de colunas.

Isto significa que o __getitem__ [] não só pode ser usado para obter uma certa coluna, mas __setitem__ [] = pode ser usado para atribuir uma nova coluna.

Por exemplo, este dataframe pode ter uma coluna adicionada usando simplesmente o acessor []

    size      name color
0    big      rose   red
1  small    violet  blue
2  small     tulip   red
3  small  harebell  blue

df['protected'] = ['no', 'no', 'no', 'yes']

    size      name color protected
0    big      rose   red        no
1  small    violet  blue        no
2  small     tulip   red        no
3  small  harebell  blue       yes

Observe que isso funciona mesmo se o índice do dataframe estiver desativado.

df.index = [3,2,1,0]
df['protected'] = ['no', 'no', 'no', 'yes']
    size      name color protected
3    big      rose   red        no
2  small    violet  blue        no
1  small     tulip   red        no
0  small  harebell  blue       yes

[] = é o caminho a seguir, mas cuidado!

No entanto, se você tiver um pd.Series e tentar atribuí-lo a um dataframe no qual os índices estejam desativados, você terá problemas. Consultar exemplo:

df['protected'] = pd.Series(['no', 'no', 'no', 'yes'])
    size      name color protected
3    big      rose   red       yes
2  small    violet  blue        no
1  small     tulip   red        no
0  small  harebell  blue        no

Isso ocorre porque um pd.Series por padrão tem um índice enumerado de 0 a n. E o método pandas [] = tenta ser "inteligente"

O que realmente está acontecendo.

Quando você usa o método [] = , pandas está silenciosamente executando uma junção externa ou uma mesclagem externa usando o índice do dataframe esquerdo e o índice da série da direita. df['column'] = series

Nota

Isso rapidamente causa dissonância cognitiva, já que o método []= está tentando fazer muitas coisas diferentes dependendo da entrada, e o resultado não pode ser previsto a menos que você saiba como os pandas funcionam. Por isso, aconselho contra as bases de código []= , mas ao explorar dados em um bloco de notas, tudo bem.

Contornando o problema

Se você tiver um pd.Series e quiser que ele seja atribuído de cima para baixo, ou se você estiver codificando código produtivo e não tiver certeza da ordem do índice, vale a pena salvaguardar esse tipo de problema.

Você poderia pd.Series o pd.Series para um np.ndarray ou uma list , isso fará o truque.

df['protected'] = pd.Series(['no', 'no', 'no', 'yes']).values

ou

df['protected'] = list(pd.Series(['no', 'no', 'no', 'yes']))

Mas isso não é muito explícito.

Algum codificador pode aparecer e dizer "Ei, isso parece redundante, vou apenas otimizar isso".

Forma explícita

Definir o índice do pd.Series para ser o índice do df é explícito.

df['protected'] = pd.Series(['no', 'no', 'no', 'yes'], index=df.index)

Ou, mais realisticamente, você provavelmente tem um pd.Series já disponível.

protected_series = pd.Series(['no', 'no', 'no', 'yes'])
protected_series.index = df.index

3     no
2     no
1     no
0    yes

Agora pode ser atribuído

df['protected'] = protected_series

    size      name color protected
3    big      rose   red        no
2  small    violet  blue        no
1  small     tulip   red        no
0  small  harebell  blue       yes

df.reset_index() alternativa com df.reset_index()

Como a dissonância do índice é o problema, se você achar que o índice do dataframe não deve ditar as coisas, pode simplesmente descartar o índice, isso deve ser mais rápido, mas não é muito limpo, já que sua função provavelmente faz duas coisas.

df.reset_index(drop=True)
protected_series.reset_index(drop=True)
df['protected'] = protected_series

    size      name color protected
0    big      rose   red        no
1  small    violet  blue        no
2  small     tulip   red        no
3  small  harebell  blue       yes

Nota sobre df.assign

Embora o df.assign torne mais explícito o que você está fazendo, ele realmente tem todos os mesmos problemas que os anteriores []=

df.assign(protected=pd.Series(['no', 'no', 'no', 'yes']))
    size      name color protected
3    big      rose   red       yes
2  small    violet  blue        no
1  small     tulip   red        no
0  small  harebell  blue        no

Apenas observe com df.assign que sua coluna não é chamada self . Isso causará erros. Isso faz o df.assign smelly , já que existem esses tipos de artefatos na função.

df.assign(self=pd.Series(['no', 'no', 'no', 'yes'])
TypeError: assign() got multiple values for keyword argument 'self'

Você pode dizer: "Bem, eu simplesmente não usarei self ". Mas quem sabe como esta função muda no futuro para suportar novos argumentos. Talvez o nome da sua coluna seja um argumento em uma nova atualização de pandas, causando problemas com a atualização.


Antes de atribuir uma nova coluna, se você tiver dados indexados, precisará classificar o índice. Pelo menos no meu caso eu tive que:

data.set_index(['index_column'], inplace=True)
"if index is unsorted, assignment of a new column will fail"        
data.sort_index(inplace = True)
data.loc['index_value1', 'column_y'] = np.random.randn(data.loc['index_value1', 'column_x'].shape[0])

Deixe-me apenas acrescentar que, assim como para o , não resolveu o SettingWithCopyWarning e tive que recorrer ao df.insert() . No meu caso, o falso positivo foi gerado pela indexação de cadeia "falsa" dict['a']['e'] , onde 'e' é a nova coluna, e dict['a'] é um DataFrame vindo do dicionário.

Observe também que, se você sabe o que está fazendo, pode alternar o aviso usando pd.options.mode.chained_assignment = None e usar uma das outras soluções fornecidas aqui.


Eu estava procurando uma maneira geral de adicionar uma coluna de numpy.nan s a um dataframe sem obter o dumb SettingWithCopyWarning .

Do seguinte:

  • as respostas aqui
  • essa pergunta sobre passar uma variável como um argumento de palavra-chave
  • este método para gerar um array numpy de NaNs em linha

Eu vim com isso:

col = 'column_name'
df = df.assign(**{col:numpy.full(len(df), numpy.nan)})

Eu tenho o temido SettingWithCopyWarning , e não foi corrigido usando a sintaxe iloc. Meu DataFrame foi criado por read_sql de uma fonte ODBC. Usando uma sugestão de lowtech acima, o seguinte funcionou para mim:

df.insert(len(df.columns), 'e', pd.Series(np.random.randn(sLength),  index=df.index))

Isso funcionou bem para inserir a coluna no final. Não sei se é o mais eficiente, mas não gosto de mensagens de aviso. Acho que existe uma solução melhor, mas não consigo encontrá-la e acho que depende de algum aspecto do índice.
Nota Que isso só funciona uma vez e vai dar uma mensagem de erro se estiver tentando sobrescrever e coluna existente.
Nota Como acima e de 0.16.0 assign é a melhor solução. Consulte a documentação http://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.assign.html#pandas.DataFrame.assign Funciona bem para o tipo de fluxo de dados em que você não sobrescreve seus valores intermediários.


Maneiras mais fáceis: -

data['new_col'] = list_of_values

data.loc[ : , 'new_col'] = list_of_values

O seguinte é o que eu fiz ... Mas eu sou muito novo para pandas e realmente Python em geral, então não há promessas.

df = pd.DataFrame([[1, 2], [3, 4], [5,6]], columns=list('AB'))

newCol = [3,5,7]
newName = 'C'

values = np.insert(df.values,df.shape[1],newCol,axis=1)
header = df.columns.values.tolist()
header.append(newName)

df = pd.DataFrame(values,columns=header)

Parece que nas versões recentes do Pandas o caminho a seguir é usar o assign :

df1 = df1.assign(e=np.random.randn(sLength))

Não produz SettingWithCopyWarning .


Por uma questão de completude - mais uma solução usando o método DataFrame.eval() :

Dados:

In [44]: e
Out[44]:
0    1.225506
1   -1.033944
2   -0.498953
3   -0.373332
4    0.615030
5   -0.622436
dtype: float64

In [45]: df1
Out[45]:
          a         b         c         d
0 -0.634222 -0.103264  0.745069  0.801288
4  0.782387 -0.090279  0.757662 -0.602408
5 -0.117456  2.124496  1.057301  0.765466
7  0.767532  0.104304 -0.586850  1.051297
8 -0.103272  0.958334  1.163092  1.182315
9 -0.616254  0.296678 -0.112027  0.679112

Solução:

In [46]: df1.eval("e = @e.values", inplace=True)

In [47]: df1
Out[47]:
          a         b         c         d         e
0 -0.634222 -0.103264  0.745069  0.801288  1.225506
4  0.782387 -0.090279  0.757662 -0.602408 -1.033944
5 -0.117456  2.124496  1.057301  0.765466 -0.498953
7  0.767532  0.104304 -0.586850  1.051297 -0.373332
8 -0.103272  0.958334  1.163092  1.182315  0.615030
9 -0.616254  0.296678 -0.112027  0.679112 -0.622436

Se o frame de dados e o objeto Series tiverem o mesmo índice , pandas.concat também funciona aqui:

import pandas as pd
df
#          a            b           c           d
#0  0.671399     0.101208   -0.181532    0.241273
#1  0.446172    -0.243316    0.051767    1.577318
#2  0.614758     0.075793   -0.451460   -0.012493

e = pd.Series([-0.335485, -1.166658, -0.385571])    
e
#0   -0.335485
#1   -1.166658
#2   -0.385571
#dtype: float64

# here we need to give the series object a name which converts to the new  column name 
# in the result
df = pd.concat([df, e.rename("e")], axis=1)
df

#          a            b           c           d           e
#0  0.671399     0.101208   -0.181532    0.241273   -0.335485
#1  0.446172    -0.243316    0.051767    1.577318   -1.166658
#2  0.614758     0.075793   -0.451460   -0.012493   -0.385571

Caso eles não tenham o mesmo índice:

e.index = df.index
df = pd.concat([df, e.rename("e")], axis=1)

Se você obtiver o SettingWithCopyWarning , uma solução fácil é copiar o DataFrame ao qual você está tentando adicionar uma coluna.

df = df.copy()
df['col_name'] = values

Uma coisa a notar, porém, é que se você fizer

df1['e'] = Series(np.random.randn(sLength), index=df1.index)

Isso será efetivamente uma junção à esquerda no df1.index. Portanto, se você quiser ter um efeito outer join, minha solução provavelmente imperfeita é criar um dataframe com valores de índice cobrindo o universo de seus dados e, em seguida, usar o código acima. Por exemplo,

data = pd.DataFrame(index=all_possible_values)
df1['e'] = Series(np.random.randn(sLength), index=df1.index)

Use os índices df1 originais para criar a série:

df1['e'] = Series(np.random.randn(sLength), index=df1.index)

Editar 2015
Alguns relataram obter o SettingWithCopyWarning com este código.
No entanto, o código ainda funciona perfeitamente com a versão atual do pandas 0.16.1.

>>> sLength = len(df1['a'])
>>> df1
          a         b         c         d
6 -0.269221 -0.026476  0.997517  1.294385
8  0.917438  0.847941  0.034235 -0.448948

>>> df1['e'] = p.Series(np.random.randn(sLength), index=df1.index)
>>> df1
          a         b         c         d         e
6 -0.269221 -0.026476  0.997517  1.294385  1.757167
8  0.917438  0.847941  0.034235 -0.448948  2.228131

>>> p.version.short_version
'0.16.1'

O SettingWithCopyWarning tem como objetivo informar uma atribuição possivelmente inválida em uma cópia do Dataframe. Não significa necessariamente que você fez errado (pode desencadear falsos positivos), mas a partir de 0.13.0 permite que você saiba que existem métodos mais adequados para o mesmo propósito. Então, se você receber o aviso, apenas siga seu conselho: Tente usar .loc [row_index, col_indexer] = value

>>> df1.loc[:,'f'] = p.Series(np.random.randn(sLength), index=df1.index)
>>> df1
          a         b         c         d         e         f
6 -0.269221 -0.026476  0.997517  1.294385  1.757167 -0.050927
8  0.917438  0.847941  0.034235 -0.448948  2.228131  0.006109
>>> 

Na verdade, este é atualmente o método mais eficiente, como descrito em docs pandas

Editar 2017

Conforme indicado nos comentários e por @Alexander, atualmente o melhor método para adicionar os valores de uma Série como uma nova coluna de um DataFrame poderia estar usando assign :

df1 = df1.assign(e=p.Series(np.random.randn(sLength)).values)

Infalível:

df.loc[:, 'NewCol'] = 'New_Val'

Exemplo:

df = pd.DataFrame(data=np.random.randn(20, 4), columns=['A', 'B', 'C', 'D'])

df

           A         B         C         D
0  -0.761269  0.477348  1.170614  0.752714
1   1.217250 -0.930860 -0.769324 -0.408642
2  -0.619679 -1.227659 -0.259135  1.700294
3  -0.147354  0.778707  0.479145  2.284143
4  -0.529529  0.000571  0.913779  1.395894
5   2.592400  0.637253  1.441096 -0.631468
6   0.757178  0.240012 -0.553820  1.177202
7  -0.986128 -1.313843  0.788589 -0.707836
8   0.606985 -2.232903 -1.358107 -2.855494
9  -0.692013  0.671866  1.179466 -1.180351
10 -1.093707 -0.530600  0.182926 -1.296494
11 -0.143273 -0.503199 -1.328728  0.610552
12 -0.923110 -1.365890 -1.366202 -1.185999
13 -2.026832  0.273593 -0.440426 -0.627423
14 -0.054503 -0.788866 -0.228088 -0.404783
15  0.955298 -1.430019  1.434071 -0.088215
16 -0.227946  0.047462  0.373573 -0.111675
17  1.627912  0.043611  1.743403 -0.012714
18  0.693458  0.144327  0.329500 -0.655045
19  0.104425  0.037412  0.450598 -0.923387


df.drop([3, 5, 8, 10, 18], inplace=True)

df

           A         B         C         D
0  -0.761269  0.477348  1.170614  0.752714
1   1.217250 -0.930860 -0.769324 -0.408642
2  -0.619679 -1.227659 -0.259135  1.700294
4  -0.529529  0.000571  0.913779  1.395894
6   0.757178  0.240012 -0.553820  1.177202
7  -0.986128 -1.313843  0.788589 -0.707836
9  -0.692013  0.671866  1.179466 -1.180351
11 -0.143273 -0.503199 -1.328728  0.610552
12 -0.923110 -1.365890 -1.366202 -1.185999
13 -2.026832  0.273593 -0.440426 -0.627423
14 -0.054503 -0.788866 -0.228088 -0.404783
15  0.955298 -1.430019  1.434071 -0.088215
16 -0.227946  0.047462  0.373573 -0.111675
17  1.627912  0.043611  1.743403 -0.012714
19  0.104425  0.037412  0.450598 -0.923387

df.loc[:, 'NewCol'] = 0

df
           A         B         C         D  NewCol
0  -0.761269  0.477348  1.170614  0.752714       0
1   1.217250 -0.930860 -0.769324 -0.408642       0
2  -0.619679 -1.227659 -0.259135  1.700294       0
4  -0.529529  0.000571  0.913779  1.395894       0
6   0.757178  0.240012 -0.553820  1.177202       0
7  -0.986128 -1.313843  0.788589 -0.707836       0
9  -0.692013  0.671866  1.179466 -1.180351       0
11 -0.143273 -0.503199 -1.328728  0.610552       0
12 -0.923110 -1.365890 -1.366202 -1.185999       0
13 -2.026832  0.273593 -0.440426 -0.627423       0
14 -0.054503 -0.788866 -0.228088 -0.404783       0
15  0.955298 -1.430019  1.434071 -0.088215       0
16 -0.227946  0.047462  0.373573 -0.111675       0
17  1.627912  0.043611  1.743403 -0.012714       0
19  0.104425  0.037412  0.450598 -0.923387       0




chained-assignment