Переименование столбцов в кадре данных Pandas

Введение в переименование столбцов в Pandas

При работе с данными в Pandas часто необходимо переименовать столбцы DataFrame, чтобы сделать их более информативными и простыми в работе. Это может помочь сделать задачи обработки и анализа данных более интуитивно понятными и эффективными.

В этой статье мы рассмотрим, как изменить метки столбцов DataFrame Pandas с ['$a', '$b', '$c', '$d', '$e'] на ['a', «б», «в», «г», «е»]. Эта простая, но важная задача является общим требованием в рабочих процессах обработки и очистки данных.

Подробное объяснение сценариев

Приведенные выше сценарии демонстрируют, как переименовывать столбцы в Pandas DataFrame — распространенную задачу при манипулировании данными. В первом скрипте мы начинаем с импорта библиотеки Pandas с помощью import pandas as pd. Далее мы создаем DataFrame, используя pd.DataFrame() со столбцами, помеченными как '$a', '$b', '$c', '$d', и '$e'. Чтобы переименовать эти столбцы, мы напрямую устанавливаем DataFrame columns атрибут к новым именам столбцов ['a', 'b', 'c', 'd', 'e']. Наконец, мы отображаем обновленный DataFrame, используя print(df), который показывает новые имена столбцов. Этот метод прост и эффективен для переименования столбцов, когда у вас есть четкое и прямое сопоставление старых имен с новыми.

Во втором скрипте мы также импортируем библиотеку Pandas и определяем два списка: original_columns и new_columns, которые содержат исходное и новое имена столбцов соответственно. Затем мы создаем DataFrame, используя pd.DataFrame() с данными и исходными именами столбцов. Чтобы переименовать столбцы, мы используем rename() метод DataFrame. Этот метод принимает словарь, который сопоставляет имена старых столбцов с именами новых столбцов, созданный с помощью dict(zip(original_columns, new_columns)). inplace=True Аргумент гарантирует, что DataFrame будет изменен на месте без возврата нового DataFrame. Последний шаг — отобразить обновленный DataFrame с помощью print(df). Этот метод особенно полезен, когда вам нужно переименовать столбцы программным способом или при работе с большими DataFrames, где прямое присвоение может быть менее практичным.

import pandas as pd
# Create a DataFrame
df = pd.DataFrame({
    '$a': [1, 2, 3],
    '$b': [4, 5, 6],
    '$c': [7, 8, 9],
    '$d': [10, 11, 12],
    '$e': [13, 14, 15]
})
# Rename the columns
df.columns = ['a', 'b', 'c', 'd', 'e']
# Display the DataFrame
print(df)

import pandas as pd
# Define the original column names
original_columns = ['$a', '$b', '$c', '$d', '$e']
# Define the new column names
new_columns = ['a', 'b', 'c', 'd', 'e']
# Create a DataFrame with the original columns
data = [[1, 4, 7, 10, 13],
        [2, 5, 8, 11, 14],
        [3, 6, 9, 12, 15]]
df = pd.DataFrame(data, columns=original_columns)
# Rename the columns using a dictionary
df.rename(columns=dict(zip(original_columns, new_columns)), inplace=True)
# Show the updated DataFrame
print(df)

Расширенные методы переименования столбцов DataFrame

Помимо базового переименования столбцов в DataFrame Pandas, существуют продвинутые методы, которые могут быть очень полезны в различных сценариях. Например, иногда вам может потребоваться переименовать столбцы на основе определенного шаблона или условия. В таких случаях вы можете использовать списки или map() функция в сочетании с лямбда-функциями для достижения желаемых результатов. Этот подход позволяет более динамично и гибко переименовывать столбцы. Например, вы можете удалить определенные символы из имен столбцов или применить преобразования, такие как преобразование всех имен в нижний регистр.

Другой продвинутый метод предполагает переименование столбцов в процессе импорта данных. При загрузке данных из CSV-файлов вы можете использовать команду names параметр в pd.read_csv() чтобы указать новые имена столбцов. Это может быть особенно полезно при работе с данными, имеющими противоречивые или отсутствующие заголовки. Кроме того, вы можете использовать header параметр, чтобы пропустить существующие заголовки и назначить свои собственные. Эти методы упрощают процесс очистки данных, устраняя проблемы с именованием столбцов прямо на этапе загрузки данных, что делает последующие манипуляции с данными более эффективными.