pandas 的dataframe 怎么多列生成一列

可以使用 `apply()` 方法结合 `lambda` 表达式将多列合并成一列。例如，假设你有一个包含三列的 DataFrame，你想要将这三列合并成一个字符串列：

import pandas as pd

df = pd.DataFrame({'col1': ['A', 'B', 'C'], 
                   'col2': [1, 2, 3], 
                   'col3': ['X', 'Y', 'Z']})

df['new_col'] = df.apply(lambda x: '{}_{}_{}'.format(x['col1'], x['col2'], x['col3']), axis=1)

这里我们使用了 `apply()` 方法，它可以对 DataFrame 中的每一行应用一个函数。我们使用了一个 lambda 表达式，这个表达式接收一个参数 `x`，在这里就是每一行的数据，然后将三列合并成一个字符串，最后将这个字符串赋值给新的一列 `new_col`。注意，我们还需要指定 `axis=1` 参数，以便将函数应用到每一行。

相关问题

把一个名为result的变量转换陈关于一个Pandas DataFrame对象，并指定DataFrame的列和索引。最终生成一个新的Pandas DataFrame对象，包含32行以及12列

可以使用Pandas的DataFrame函数来创建一个新的DataFrame对象，并指定列和索引。以下是一个示例代码：

import pandas as pd

# 假设有一个名为result的变量，是一个32行12列的二维数组
result = [[1,2,3,4,5,6,7,8,9,10,11,12] for i in range(32)]

# 转换为DataFrame对象
df = pd.DataFrame(result, columns=['col1', 'col2', 'col3', 'col4', 'col5', 'col6', 'col7', 'col8', 'col9', 'col10', 'col11', 'col12'], index=range(32))

# 显示结果
print(df)

输出结果如下：

    col1  col2  col3  col4  col5  col6  col7  col8  col9  col10  col11  col12
0      1     2     3     4     5     6     7     8     9     10     11     12
1      1     2     3     4     5     6     7     8     9     10     11     12
2      1     2     3     4     5     6     7     8     9     10     11     12
3      1     2     3     4     5     6     7     8     9     10     11     12
4      1     2     3     4     5     6     7     8     9     10     11     12
5      1     2     3     4     5     6     7     8     9     10     11     12
6      1     2     3     4     5     6     7     8     9     10     11     12
7      1     2     3     4     5     6     7     8     9     10     11     12
8      1     2     3     4     5     6     7     8     9     10     11     12
9      1     2     3     4     5     6     7     8     9     10     11     12
10     1     2     3     4     5     6     7     8     9     10     11     12
11     1     2     3     4     5     6     7     8     9     10     11     12
12     1     2     3     4     5     6     7     8     9     10     11     12
13     1     2     3     4     5     6     7     8     9     10     11     12
14     1     2     3     4     5     6     7     8     9     10     11     12
15     1     2     3     4     5     6     7     8     9     10     11     12
16     1     2     3     4     5     6     7     8     9     10     11     12
17     1     2     3     4     5     6     7     8     9     10     11     12
18     1     2     3     4     5     6     7     8     9     10     11     12
19     1     2     3     4     5     6     7     8     9     10     11     12
20     1     2     3     4     5     6     7     8     9     10     11     12
21     1     2     3     4     5     6     7     8     9     10     11     12
22     1     2     3     4     5     6     7     8     9     10     11     12
23     1     2     3     4     5     6     7     8     9     10     11     12
24     1     2     3     4     5     6     7     8     9     10     11     12
25     1     2     3     4     5     6     7     8     9     10     11     12
26     1     2     3     4     5     6     7     8     9     10     11     12
27     1     2     3     4     5     6     7     8     9     10     11     12
28     1     2     3     4     5     6     7     8     9     10     11     12
29     1     2     3     4     5     6     7     8     9     10     11     12
30     1     2     3     4     5     6     7     8     9     10     11     12
31     1     2     3     4     5     6     7     8     9     10     11     12

pandasdataframe索引变列

pandas是一个基于Numpy的Python数据分析工具，其中的核心数据结构是DataFrame。在DataFrame中，每一列都有一个默认的列索引，而行索引则根据具体情况可以设置或默认生成。不过，有时候我们需要将原本是索引的一列数据变成列，这可以通过reset_index()函数来实现。

reset_index()函数默认会将当前索引列转化为普通的列，并在左侧添加一列新的默认数值索引列。如果我们不想保留原有的索引列，可以通过传入drop=True来删除，默认为False。

示例代码：

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}, index=['a', 'b', 'c'])
print(df)

# 将行索引变为列
df = df.reset_index()
print(df)

# 删除原有的索引列
df = df.reset_index(drop=True)
print(df)

通过reset_index()函数，我们可以方便地将索引变成列，这在实际数据分析中非常常见。