Перейменування стовпців у Pandas DataFrame

Вступ до перейменування стовпців у Pandas

Під час роботи з даними в Pandas часто необхідно перейменувати стовпці DataFrame, щоб зробити їх більш значущими та легшими для роботи. Це може допомогти зробити задачі обробки та аналізу даних більш інтуїтивно зрозумілими та ефективними.

У цій статті ми розглянемо, як змінити мітки стовпців у Pandas DataFrame з ['$a', '$b', '$c', '$d', '$e'] на ['a', «b», «c», «d», «e»]. Це просте, але важливе завдання є загальною вимогою в робочих процесах обробки даних і очищення.

Детальне пояснення сценаріїв

Наведені вище сценарії демонструють, як перейменувати стовпці в Pandas DataFrame, що є поширеним завданням під час маніпулювання даними. У першому сценарії ми починаємо з імпорту бібліотеки Pandas за допомогою import pandas as pd. Далі ми створюємо DataFrame за допомогою pd.DataFrame() зі стовпцями, позначеними як '$a', '$b', '$c', '$d', і '$e'. Щоб перейменувати ці стовпці, ми безпосередньо встановлюємо DataFrame columns до нових імен стовпців ['a', 'b', 'c', 'd', 'e']. Нарешті, ми відображаємо оновлений DataFrame за допомогою print(df), який показує нові назви стовпців. Цей метод простий і ефективний для перейменування стовпців, коли у вас є чітке та пряме зіставлення старих імен з новими.

У другому скрипті ми також імпортуємо бібліотеку Pandas і визначаємо два списки: original_columns і new_columns, які містять оригінальні та нові назви стовпців відповідно. Потім ми створюємо DataFrame за допомогою pd.DataFrame() з даними та оригінальними назвами стовпців. Щоб перейменувати стовпці, ми використовуємо rename() метод DataFrame. Цей метод використовує словник, який зіставляє старі назви стовпців з новими назвами стовпців, створеними за допомогою dict(zip(original_columns, new_columns)). The inplace=True гарантує, що DataFrame буде змінено на місці без повернення нового DataFrame. Останнім кроком є ​​відображення оновленого DataFrame за допомогою print(df). Цей метод особливо корисний, коли вам потрібно програмно перейменувати стовпці або коли ви маєте справу з великими DataFrames, де пряме призначення може бути менш практичним.

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)

Розширені методи перейменування стовпців DataFrame

Окрім базового перейменування стовпців у Pandas DataFrame, існують розширені методи, які можуть бути дуже корисними в різних сценаріях. Наприклад, іноді вам може знадобитися перейменувати стовпці на основі певного шаблону або умови. У таких випадках можна використовувати розуміння списків або map() функція поєднується з лямбда-функціями для досягнення бажаних результатів. Такий підхід дозволяє динамічніше та гнучкіше перейменовувати стовпці. Наприклад, ви можете видалити певні символи з імен стовпців або застосувати перетворення, наприклад перетворити всі імена на малі літери.

Ще один передовий метод передбачає перейменування стовпців під час процесу імпорту даних. Під час завантаження даних із файлів CSV можна використовувати names параметр в pd.read_csv() щоб вказати нові назви стовпців. Це може бути особливо корисним під час роботи з даними, які мають непослідовні або відсутні заголовки. Крім того, ви можете використовувати header параметр, щоб пропустити наявні заголовки та призначити власні. Ці методи оптимізують процес очищення даних, вирішуючи проблеми з іменуванням стовпців безпосередньо на етапі завантаження даних, роблячи наступне маніпулювання даними більш ефективним.