新增行列

一、新增列#

方法 1：直接赋值（常用）#

语法：df["新列名"] = 数据/计算结果

1
import pandas as pd
2
import numpy as np
3

4
data = {
5
    "姓名": ["张三", "李四", "王五", "赵六"],
6
    "年龄": [20, 25, 22,28 ],
7
    "城市": ["北京", "上海", "广州", "北京"],
8
    "薪资": [8000, 12000, 9500, 15000]
9
}
10
df_clean = pd.DataFrame(data,index=["员工1", "员工2", "员工3", "员工4"])
11
df_clean.rename(columns={"姓名":"姓名1", "年龄":"年龄1", "城市":"城市1", "薪资":"薪资1"}, inplace=True)
12
df_clean.loc["员工2", "薪资1"] = np.nan
13

14
# 新增固定值列
15
df_clean["部门"] = "技术部"  # 所有行的「部门」列都是"技术部"
16

17
# 基于现有列计算
18
df_clean["年薪1"] = df_clean["薪资1"] * 12
19

20
# 条件赋值
21
df_clean.loc[df_clean["薪资1"] > 10000, "薪资等级"] = "高"
22
df_clean.loc[df_clean["薪资1"] <= 10000, "薪资等级"] = "中"
23

24
print("新增列后的结果：")
25
print(df_clean)

方法 2：`loc` 赋值（更明确的列定位）#

语法：df.loc[:, "新列名"] = 数据

适用场景：需要明确指定「所有行」（: 代表所有行），和直接赋值效果一致，可读性更强。

1
# 示例：新增「税后薪资」列（假设税率10%）
2
df_clean.loc[:, "税后薪资1"] = df_clean["薪资1"] * 0.9

方法 3：`insert` 方法（指定位置新增列）#

语法：df.insert(列索引位置, "新列名", 数据, allow_duplicates=False)

适用场景：需要指定列的插入位置（比如在「薪资 1」列后面新增列）。

1
# 示例：在第4列（索引3）的位置新增「奖金」列
2
# 列索引：0=姓名1,1=年龄1,2=城市1,3=薪资1 → 插入到索引4，即薪资1后面
3
df_clean.insert(4, "奖金", [500, 800, 600, 1000])

方法 4：`assign` 方法（返回新 DF，不修改原 DF）#

语法：新DF = 原DF.assign(新列名=计算式)

适用场景：不想修改原 DataFrame，需要生成新的 DF（链式操作友好）。

1
# 示例：新增「薪资+奖金」列，返回新DF，原df_clean不变
2
df_new = df_clean.assign(总收入=df_clean["薪资1"] + df_clean["奖金"])
3
print("\nassign新增列后的新DF：")
4
print(df_new)
5
print("\n原DF无变化：")
6
print(df_clean.columns)  # 看不到「总收入」列

二、新增行#

方法 1：`loc` 赋值（指定行索引新增）#

语法：df.loc["新行索引"] = 行数据

适用场景：新增单行，且能自定义行索引（比如新增「员工 5」）。

1
# 示例：新增「员工5」行，数据按列顺序对应（姓名1、年龄1、城市1、薪资1、奖金...）
2
df_clean.loc["员工5"] = ["钱七", 30, "深圳", 18000, 1200, np.nan, np.nan, np.nan, np.nan]
3
print("\nloc新增员工5行后：")
4
print(df_clean)

方法 2：`pd.concat`（推荐，新增单行 / 多行，效率更高）#

语法：pd.concat([原DF, 新行DF], ignore_index=True/False)

适用场景：新增单行 / 多行，尤其是大数据量（比逐行loc高效）；ignore_index=True 会重置索引，避免重复索引。

1
# 示例1：新增单行（先把单行数据转成DF）
2
new_row = pd.DataFrame({
3
    "姓名1": ["孙八"],
4
    "年龄1": [27],
5
    "城市1": ["杭州"],
6
    "薪资1": [13000],
7
    "奖金": [900]
8
}, index=["员工6"])  # 自定义行索引
9
df_clean = pd.concat([df_clean, new_row], axis=0)  # axis=0 表示按行合并
10

11
# 示例2：新增多行（你之前的代码就是这个逻辑）
12
# 复制员工1行并新增到末尾
13
df_clean = pd.concat([df_clean, df_clean.iloc[0:1]], axis=0)
14
print("\nconcat新增行后：")
15
print(df_clean)

方法 3：`_append` 方法（Pandas 2.0+ 替代旧版`append`）#

语法：df = df._append(新行数据, ignore_index=True)

适用场景：快速新增单行，语法比concat简洁（但大数据量不如concat）。

1
# 示例：新增员工7行（字典格式，key对应列名）
2
new_row2 = {"姓名1": "周九", "年龄1": 29, "城市1": "成都", "薪资1": 14000, "奖金": 1100}
3
df_clean = df_clean._append(new_row2, ignore_index=False)  # False保留自定义索引（默认生成数字索引）

三、新增列 vs 新增行核心对比表#

维度	新增列	新增行
核心语法	直接赋值 `df["新列"]=值`	`loc`/`pd.concat`/`_append`
操作效率	高（向量化操作，适合大数据）	低（逐行操作，大数据量慎用）
索引处理	无需关注（自动继承行索引）	需关注（易重复索引，可设`ignore_index=True`）
数据匹配	按行索引自动匹配	按列名自动匹配（列缺失则补 NaN）
常用场景	列计算、条件赋值、新增标签列	补充单行 / 多行数据、合并小 DF

总结#

新增列优先选「直接赋值」：简洁高效，条件赋值 / 列计算都能用；需要指定位置用insert，不想修改原 DF 用assign。
新增行优先选pd.concat：效率比loc逐行新增高，尤其适合多行；单行新增且需自定义索引用loc，快速单行新增用_append。
注意效率问题：Pandas 是列优先的数据分析工具，尽量避免循环逐行新增（大数据量会很慢），优先用concat合并多个行 DF。

走马

音乐

新增行列

一、新增列#

方法 1：直接赋值（常用）#

方法 2：`loc` 赋值（更明确的列定位）#

方法 3：`insert` 方法（指定位置新增列）#

方法 4：`assign` 方法（返回新 DF，不修改原 DF）#

二、新增行#

方法 1：`loc` 赋值（指定行索引新增）#

方法 2：`pd.concat`（推荐，新增单行 / 多行，效率更高）#

方法 3：`_append` 方法（Pandas 2.0+ 替代旧版`append`）#

三、新增列 vs 新增行核心对比表#

总结#

文章目录

走马

音乐

新增行列

一、新增列#

方法 1：直接赋值（常用）#

方法 2：loc 赋值（更明确的列定位）#

方法 3：insert 方法（指定位置新增列）#

方法 4：assign 方法（返回新 DF，不修改原 DF）#

二、新增行#

方法 1：loc 赋值（指定行索引新增）#

方法 2：pd.concat（推荐，新增单行 / 多行，效率更高）#

方法 3：_append 方法（Pandas 2.0+ 替代旧版append）#

三、新增列 vs 新增行 核心对比表#

总结#

文章目录

方法 2：`loc` 赋值（更明确的列定位）#

方法 3：`insert` 方法（指定位置新增列）#

方法 4：`assign` 方法（返回新 DF，不修改原 DF）#

方法 1：`loc` 赋值（指定行索引新增）#

方法 2：`pd.concat`（推荐，新增单行 / 多行，效率更高）#

方法 3：`_append` 方法（Pandas 2.0+ 替代旧版`append`）#

三、新增列 vs 新增行核心对比表#