从列表添加列到数据框

Question

我有一个数据表，里面有一些列，长得像这样：

A   B   C  
0   
4
5
6
7
7
6
5

在这一列A中，可能的值范围只有从0到7。

另外，我还有一个包含8个元素的列表，像这样：

List=[2,5,6,8,12,16,26,32]  //There are only 8 elements in this list

如果列A中的元素是n，我需要把这个列表中的第n个元素放到一个新列里，叫做'D'。

我该怎么做才能一次性完成，而不需要一个一个地遍历整个数据表呢？

最后得到的数据表会是这样的：

A   B   C   D
0           2
4           12
5           16
6           26
7           32
7           32
6           26
5           16

注意：这个数据表非常大，所以遍历是最后的选择。不过，如果需要的话，我也可以把'List'中的元素放到其他数据结构里，比如字典。

Answer 1

首先，我们来创建你提到的数据表，我会忽略B和C这两列，因为它们不相关。

df = pd.DataFrame({'A': [0, 4, 5, 6, 7, 7, 6,5]})

接下来是你想要的映射关系：

mapping = dict(enumerate([2,5,6,8,12,16,26,32]))

df['D'] = df['A'].map(mapping)

完成了！

print df

输出结果：

   A   D
0  0   2
1  4  12
2  5  16
3  6  26
4  7  32
5  7  32
6  6  26
7  5  16

Answer 2

这是个老问题，但我总是想用最快的代码！

我有一个包含6900万个无符号64位整数的大列表。对我来说，使用np.array()是最快的选择。

df['hashes'] = hashes
Time spent: 17.034842014312744

df['hashes'] = pd.Series(hashes).values
Time spent: 17.141014337539673

df['key'] = np.array(hashes)
Time spent: 10.724546194076538

Answer 3

这是一个在@sparrow的优秀方案基础上改进的解决办法。

假设df是你的数据集，而mylist是你想要添加到数据框中的值的列表。

我们假设你想把新列叫做new_column。

首先，把这个列表转换成一个Series（序列）：

column_values = pd.Series(mylist)

然后使用insert函数来添加这个新列。这个函数的好处是你可以选择新列放在什么位置。在下面的例子中，我们将新列放在最左边的位置（通过设置loc=0）。

df.insert(loc=0, column='new_column', value=column_values)

Answer 4

直接把列表赋值就可以了：

df['new_col'] = mylist

---

另一种方法
把列表转换成一个序列或者数组，然后再进行赋值：

se = pd.Series(mylist)
df['new_col'] = se.values

或者

df['new_col'] = np.array(mylist)

Answer 5

如果我理解得没错的话，如果你把你那个（名字不太好听的）List变成一个ndarray，那么你就可以很自然地进行索引。

>>> import numpy as np
>>> m = np.arange(16)*10
>>> m[df.A]
array([  0,  40,  50,  60, 150, 150, 140, 130])
>>> df["D"] = m[df.A]
>>> df
    A   B   C    D
0   0 NaN NaN    0
1   4 NaN NaN   40
2   5 NaN NaN   50
3   6 NaN NaN   60
4  15 NaN NaN  150
5  15 NaN NaN  150
6  14 NaN NaN  140
7  13 NaN NaN  130

在这里我创建了一个新的m，不过如果你用m = np.asarray(List)，同样也能实现：df.A里的值会帮你找到m中对应的元素。

---

需要注意的是，如果你用的是旧版的numpy，你可能需要用m[df.A.values]来代替——以前numpy和其他库配合得不好，pandas的一些改动也让人头疼。不过现在情况已经好多了。