dataframe填加列名

要给DataFrame添加列名，可以使用`columns`属性。例如，以下代码创建一个名为`df`的DataFrame，并将列名设置为`col1`和`col2`：

import pandas as pd

data = {'col1': [1, 2, 3], 'col2': [4, 5, 6]}
df = pd.DataFrame(data, columns=['col1', 'col2'])

在上述代码中，我们使用`columns`参数指定列名为`['col1', 'col2']`。您也可以在创建DataFrame时省略该参数，并在以后使用`columns`属性来指定列名。例如：

import pandas as pd

data = {'col1': [1, 2, 3], 'col2': [4, 5, 6]}
df = pd.DataFrame(data)
df.columns = ['col1', 'col2']

这将创建与前面相同的DataFrame，但是在创建后我们使用`columns`属性来指定列名。

相关问题

存在一个dataframe，列名有s,w,e等，存在数值不为空，后新增列名为a,b,c,d,e,f, 为空值

假设你有一个Pandas DataFrame，其中包含原始列`s`, `w`, `e`等，这些列的某些行可能存在数值数据。现在你想在这个DataFrame上添加新的列`a`, `b`, `c`, `d`, `e`, 和 `f`，但是对新列`a`, `b`, `c`, `d`, `e`, `f`初始化时，它们全部为`NaN` 或 `None`，即空值。

在这种情况下，你可以按照以下步骤操作：

1. **创建新列**:
使用Pandas的`DataFrame.loc`、`.assign`或`.append`方法创建新列。例如：

   df = df.assign(a=pd.Series(np.nan), b=pd.Series(np.nan), c=pd.Series(np.nan),
                  d=pd.Series(np.nan), e=pd.Series(np.nan), f=pd.Series(np.nan))

2. **处理空值**:
如果你需要给某些特定行填充特定值，可以使用`loc`或者`where`函数。比如，如果想要所有新列都填0，可以这样做：

   df[['a', 'b', 'c', 'd', 'e', 'f']] = df[['a', 'b', 'c', 'd', 'e', 'f']].fillna(0)

或者只针对部分特定条件填充：

   df['a'].fillna(value_to_fill, inplace=True)  # value_to_fill是你想填写的具体值

3. **检查是否仍有缺失值**:
可以使用`isna()`方法检查整个DataFrame或者单个列是否有缺失值：

   print(df.isnull().sum())  # 显示每列缺失值的数量

dataframe 所有方法

以下是pandas DataFrame对象的常用方法：

1. `head(n)`：返回前n行数据，默认是前5行。
2. `tail(n)`：返回后n行数据，默认是后5行。
3. `info()`：打印DataFrame对象的摘要，包括行数、列数、数据类型、缺失值等信息。
4. `describe()`：生成描述性统计信息，包括总数、均值、标准差、最小值、25%、50%、75%和最大值。
5. `shape`：返回DataFrame对象的形状，即行数和列数。
6. `columns`：返回DataFrame对象的列名。
7. `index`：返回DataFrame对象的行标签。
8. `sort_values(by, ascending=True)`：按照指定的列进行排序，ascending参数表示是否升序，默认是升序。
9. `sort_index(axis=0, ascending=True)`：按照行或列标签进行排序，axis参数表示是按照行标签还是列标签排序，默认是按照行标签排序，ascending参数表示是否升序，默认是升序。
10. `loc[row_indexer, column_indexer]`：通过行标签或列标签来选取数据，row_indexer和column_indexer分别表示行标签和列标签，可以是单个标签、标签列表或标签切片。
11. `iloc[row_indexer, column_indexer]`：通过行索引或列索引来选取数据，row_indexer和column_indexer分别表示行索引和列索引，可以是单个索引、索引列表或索引切片。
12. `drop(labels, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise')`：删除行或列，labels参数表示要删除的行或列的标签，axis参数表示是按照行还是列删除，默认是按照行删除，inplace参数表示是否在原DataFrame对象上进行修改，默认是不修改，返回一个新的DataFrame对象。
13. `fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None)`：填充缺失值，value参数表示要填充的值，method参数表示填充方法，可以是ffill、bfill等，默认是None，axis参数表示按照行还是列进行填充，默认是按照行填充，inplace参数表示是否在原DataFrame对象上进行修改，默认是不修改，limit参数表示每个连续缺失值的填充次数。
14. `drop_duplicates(subset=None, keep='first', inplace=False, ignore_index=False)`：删除重复行，subset参数表示要考虑的列，默认是所有列，keep参数表示保留哪一个重复行，默认是保留第一个，inplace参数表示是否在原DataFrame对象上进行修改，默认是不修改，ignore_index参数表示是否重新设置索引，使其从0开始。
15. `groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, observed=False, **kwargs)`：按照指定的列进行分组，by参数表示要分组的列名，可以是单个列名或多个列名组成的列表或Series对象，默认是按照所有列进行分组，返回一个GroupBy对象。
16. `aggregate(func=None, axis=0, *args, **kwargs)`：对每个分组进行聚合操作，func参数表示要进行聚合的函数，可以是内置函数、自定义函数或函数列表，默认是对所有列应用所有可用的聚合函数，axis参数表示按照行还是列进行聚合，默认是按照行进行聚合。
17. `transform(func=None, axis=0, *args, **kwargs)`：对每个分组应用指定的函数，并将结果广播到原DataFrame的每个元素中，func参数表示要进行转换的函数，可以是内置函数或自定义函数，默认是对所有列应用指定的函数，axis参数表示按照行还是列进行转换，默认是按照行进行转换。
18. `pivot_table(values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All')`：生成透视表，values参数表示要聚合的列，index参数表示行索引，columns参数表示列索引，aggfunc参数表示聚合函数，fill_value参数表示缺失值的填充值，margins参数表示是否添加行和列的汇总，默认是不添加，dropna参数表示是否删除缺失值所在的行或列，默认是删除，margins_name参数表示汇总行和列的名称。