pandas添加一个列,这个列在'MB'列左边,列的数据根据'MB'列变化,如果'MB'列有数据0就填a,有数据1就填b

你可以使用 Pandas 的 `insert` 方法来在指定位置添加一列。假设你要在 "MB" 列的左边添加一个名为 "NewCol" 的列，根据 "MB" 列的值填充为 "a" 或 "b"，可以按照以下步骤进行操作：

import pandas as pd

# 创建示例数据
data = {'MB': [0, 1, 0, 1, 0]}
df = pd.DataFrame(data)

# 添加新列
df.insert(0, "NewCol", df["MB"].apply(lambda x: 'a' if x == 0 else 'b'))

# 输出结果
print(df)

这将在 "MB" 列的左边添加一个名为 "NewCol" 的新列，并根据 "MB" 列的值填充为 "a" 或 "b"。

相关问题

用pandas库读入csv文件中一列smiles数据，并将其依次转换为mol格式，再用QED模块计算类药性，并写入原csv表格中

以下是一个示例代码，假设csv文件名为data.csv，smiles数据在第一列，需要安装rdkit、pandas和py3Dmol库：

from rdkit import Chem
from rdkit.Chem import QED
import pandas as pd
import py3Dmol

# 读入csv文件
df = pd.read_csv('data.csv')

# 将smiles数据转换为mol格式，并计算QED值
qeds = []
for smiles in df.iloc[:, 0]:
    mol = Chem.MolFromSmiles(smiles)
    qed = QED.qed(mol)
    qeds.append(qed)

# 将QED值添加到原表格中
df['QED'] = qeds

# 展示一个分子的3D结构
mol = Chem.MolFromSmiles(df.iloc[0, 0])
mb = Chem.MolToMolBlock(mol)
v = py3Dmol.view(width=400, height=400)
v.addModel(mb, 'sdf')
v.setStyle({'stick': {}})
v.setBackgroundColor('0xeeeeee')
v.zoomTo()
v.show()

这段代码首先读入csv文件，然后用循环将每个smiles数据转换为mol格式，并计算QED值，最后将QED值添加到原表格中。在最后展示了第一个分子的3D结构，需要用py3Dmol库渲染。需要注意的是，这段代码假设smiles数据在第一列，如果不是需要修改`df.iloc[:, 0]`的索引。

python 使用连接池、分批处理和pandans计算，mysql遍历每个表格,表格要加反引号根据trade_date降序排列，对net_mf_amount列的前一天的数据减去今天的数据放在a列，如果之前计算过则跳过，把a列的值前一天的数据减去今天的数据放在b列，并且保存a和b列

好的，我来解答你的问题。

首先，你的问题涉及到了一些技术点，我将逐一解释：

1. 连接池：连接池是一种数据库连接管理技术，它可以避免每次操作数据库都重新建立连接的开销，提高数据库操作的效率。在 Python 中，可以使用第三方库 `pymysql` 来实现连接池的功能。

2. 分批处理：分批处理是一种大数据处理技术，将大数据分成多个小批次进行处理，可以避免内存溢出和提高处理效率。在 Python 中，可以使用 `pandas` 库的 `read_csv` 函数中的 `chunksize` 参数来实现分批处理。

3. pandas 计算：`pandas` 是 Python 中一个强大的数据处理库，可以方便地进行数据清洗、分析和计算。

4. MySQL 遍历表格：可以使用 SQL 语句中的 `SHOW TABLES` 和 `DESCRIBE table_name` 来获取表格信息，使用 `SELECT * FROM table_name` 来遍历表格数据。

现在，我们来回答你的问题：

你的问题是将 MySQL 中的每个表格按照 trade_date 降序排列，并计算 net_mf_amount 前一天的数据减去今天的数据放在 a 列，再将 a 列的值前一天的数据减去今天的数据放在 b 列，并保存 a 和 b 列。如果之前计算过则跳过。

我们可以使用以下步骤来实现：

1. 使用 `pymysql` 库建立一个 MySQL 的连接池，避免每次操作都重新连接数据库。

2. 使用 `SHOW TABLES` 和 `DESCRIBE table_name` 获取每个表格的信息。

3. 使用 `SELECT * FROM table_name ORDER BY trade_date DESC` 遍历每个表格的数据，按照 trade_date 降序排列。

4. 对于每个表格的数据，使用 `pandas` 来进行数据处理和计算。首先读取数据，然后使用 `shift` 函数来获取前一天的数据，计算出 a 列的值，再使用 `shift` 函数来获取 a 列前一天的数据，计算出 b 列的值。

5. 将计算出的 a 和 b 列的值保存到 MySQL 数据库中。

6. 在保存数据之前，需要先检查之前是否已经计算过，如果已经计算过则跳过。

下面是一个示例代码，可以作为参考：

import pymysql
import pandas as pd
from datetime import datetime, timedelta

# 建立 MySQL 连接池
pool = pymysql.connect(
    host="localhost",
    port=3306,
    user="root",
    password="password",
    database="database_name",
    charset="utf8mb4",
    cursorclass=pymysql.cursors.DictCursor,
    autocommit=True,
    max_connections=10
)

# 获取表格列表
cursor = pool.cursor()
cursor.execute("SHOW TABLES")
tables = [table["Tables_in_database_name"] for table in cursor.fetchall()]

# 遍历每个表格
for table in tables:
    # 检查是否已经计算过
    cursor.execute(f"SELECT COUNT(*) FROM information_schema.columns WHERE table_name='{table}' AND column_name IN ('a', 'b')")
    if cursor.fetchone()["COUNT(*)"] == 2:
        continue

    # 获取表格信息和数据
    cursor.execute(f"DESCRIBE {table}")
    columns = [column["Field"] for column in cursor.fetchall()]
    data = pd.read_sql(f"SELECT * FROM {table} ORDER BY trade_date DESC", pool, chunksize=1000)

    # 计算 a 和 b 列的值，并保存到数据库中
    for chunk in data:
        # 计算 a 列的值
        chunk["a"] = chunk["net_mf_amount"] - chunk["net_mf_amount"].shift(1)
        # 计算 b 列的值
        chunk["b"] = chunk["a"] - chunk["a"].shift(1)

        # 将计算出的 a 和 b 列的值保存到数据库中
        chunk[["a", "b"]].to_sql(table, pool, if_exists="append", index=False)

    print(f"{table} 计算完成")

需要注意的是，上述代码仅作为示例，具体实现需要根据实际情况进行调整。