【數據分析可視化】Mapping和Replace

DataFrame插入新列，引出Map

import numpy as np
import pandas as pd
from pandas import Series, DataFrame

# 通過字典創建DataFrame
df1 = DataFrame({'城市':['北京','上海','廣州'],'人口':[1000,2000,3000]})
df1

	城市	人口
0	北京	1000
1	上海	2000
2	廣州	3000

# 給DataFrame增加一列(直接賦值)
# 缺點：要關注順序
df1['GDP'] = Series([100,200,300])
df1

	城市	人口	GDP
0	北京	1000	100
1	上海	2000	200
2	廣州	3000	300

# 通過城市增加GDPMap
# 優點：無需關注順序
gdp_map = {'北京':300,'上海':400,'廣州':500}
# 也是新一列就是賦值方式是map
df1['GDPMap'] = df1['城市'].map(gdp_map)
df1

	城市	人口	GDP	GDPMap
0	北京	1000	100	300
1	上海	2000	200	400
2	廣州	3000	300	500

直接Series插入的列（坑：1順序2索引值改動對應）

# 索引值如果自定義
# 通過字典創建DataFrame
df1 = DataFrame({'城市':['北京','上海','廣州'],'人口':[1000,2000,3000]},index=['A','B','C'])
df1

	城市	人口
A	北京	1000
B	上海	2000
C	廣州	3000

# 問題： 新列值爲nan
# 給DataFrame增加一列(直接賦值)
# 缺點：要關注順序
df1['GDP'] = Series([100,200,300])
df1

	城市	人口	GDP
A	北京	1000	NaN
B	上海	2000	NaN
C	廣州	3000	NaN

# 解決： 指定列值
# 麻煩，因此建議直接用map（）字典對應
df1['GDP'] = Series([100,200,300], index=['A','B','C'])
df1

	城市	人口	GDP
A	北京	1000	100
B	上海	2000	200
C	廣州	3000	300

Replace in Series

s1 = Series(np.arange(10))
s1

0    0
1    1
2    2
3    3
4    4
5    5
6    6
7    7
8    8
9    9
dtype: int64

# 替換（字典也行）
s1.replace(1,np.nan)

0    0.0
1    NaN
2    2.0
3    3.0
4    4.0
5    5.0
6    6.0
7    7.0
8    8.0
9    9.0
dtype: float64

# 多數據同時替換
s1.replace([1,2,3],[20,30,40])

0     0
1    20
2    30
3    40
4     4
5     5
6     6
7     7
8     8
9     9
dtype: int64