python中append

人气:343 ℃/2023-01-26 06:54:36

python中append是怎样的呢?下面就让我们一起来了解一下吧:

append是属于python中的一个函数,它主要是用来在列表末尾添加新的对象。

语法格式:

list.append(obj)

参数:

list 列表对象

obj 添加到列表末尾的对象

返回值:

append()函数是没有返回值的,但是其会修改原本的列表。

参考范例:

1、

输入命令:

#!/usr/bin/python

#Filename:append.py

a=[-1,3,'aa',85,90,'dasd']

a.append('add')

print a

输出结果:

[-1, 3, 'aa', 85, 90, 'dasd', 'add']

2、

append函数可以在数组后加上相应的元素,输入命令:

a=[1,2,3]

a.append(5)

运行结果[1, 2, 3, 5]:

a=[1,2,3]

a.append([5])

此时的运行结果是 [1, 2, 3, [5]]

结果不再是一个数组,而是list。

运用append生成多维数组,输入命令:

import numpy as np

a=[]

for i in range(5):

a.append([])

for j in range(5):

a[i].append(i)

输出结果:

[[0, 0, 0, 0, 0],

[1, 1, 1, 1, 1],

[2, 2, 2, 2, 2],

[3, 3, 3, 3, 3],

[4, 4, 4, 4, 4]]

以上就是小编的分享了,希望能够帮助到大家。

python中append函数添加多个

​如何在Python中加入多个数据帧?

全文共2235字,预计学习时长7分钟

来源:Pexels

初学Python编程的人,面临的是各种未知的挑战。

下面是一个几乎让所有更有抱负的数据科学家都感到意外的场景:

你正在处理一个从多个源收集数据的项目。在进入探索和模型构建部分之前,你需要首先连接这些多个数据集(以表、数据帧等形式)。怎么能做到这一点而不丢失任何信息?

这听起来可能是一个简单的场景,但对于许多新来的人来说,这可能是一个威胁,特别是那些不熟悉Python编程的人。

进一步深入研究,我可以大致将其分为两种情况:

1.首先,具有相似属性的数据可以分布到多个文件中。例如,假设向你提供了多个文件,每个文件都存储一年中某一周内发生的销售信息。因此,全年将有52个文件。每个文件的列数和名称都相同。

2.其次,你可能需要合并来自多个来源的信息。例如,假设你想获得购买产品的人的联系信息。这里有两个文件,第一个有销售信息,第二个有************。

理解手头的问题

本文列举一个通俗易懂的例子。

想一下在一个特定的学校里考试。每个科目都有不同的老师授课。他们更新关于学生成绩和整体表现的档案。这些档案就是多个文件!

本文使用创建的两个这样的文件来演示Python中函数的工作。第一个文件包含关于12班学生的数据,另一个文件包含10班的数据。还将使用第三个文件来存储学生的姓名和学生ID。

注意:虽然这些数据集是从零开始创建的,但鼓励将所学应用于选择的数据集。

在Python中逐步合并数据帧的过程

下面是解决这个问题的方法:

1.用Python加载数据集

2.合并两个相似的数据帧(append)

3.合并来自两个数据帧的信息(merge)

步骤1:用Python加载数据集

本文将使用三个独立的数据集。首先,将这些文件加载到单独的数据帧中。

import Pandas as pd

marks10th=pd.read_csv('10thClassMarks.csv')

marks12th=pd.read_csv('12thClassMarks.csv')

IDandName=pd.read_csv('StudentIDandName.csv')

前两个数据框包含学生的百分比及其学生ID。在第一个数据框中,有10班学生的分数,而第二个数据框包含第12个标准中学生的分数。第三个数据框包含学生的姓名以及各自的学生ID。

来源:btime

使用“head”函数检查每个数据帧的前几行:

marks10th.head()

marks12th.head()

IDandName.head()

步骤2:合并两个相似的数据帧(Append)

把10、12班的档案合并起来,找出学生的平均分。这里使用Pandas库中的“append”函数:

allMarks=marks10th.append(marks12th)

marks10th.shape, marks12th.shape, allMarks.shape

输出((50,3),(50,3),(100,3))

从输出中可以看到,在append函数中垂直添加两个数据帧。

结果数据帧是allMarks。上面比较了所有三个数据帧的形状。

接下来看看“allMarks”的内容并计算平均值:

allMarks['Exam Points'].mean() #Average Marks

输出:49.74

步骤3:合并来自两个数据帧的信息(Merge)

现在,假设想找出在这两个批次中排名第一的学生的名字。这里不需要垂直添加数据帧。为了给学生的名字再加一列,我们将不得不水平缩放。

要做到这一点,我们会发现最高得分:

allMarks['Exam Points'].max() # Maximum Marks

输出:100

学生的最高成绩是100分。现在,使用“merge”函数查找此学生的姓名:

mergedData=allMarks.merge(IDandName,on='student id')

mergedData.head()

最后,生成的数据框有学生的名字和他们的标记。

merge函数需要一个必要的属性,两个数据帧将在该属性上合并。需要传递此列的名称在“on”参数中。

merge函数的另一个重要论点是“如何”。这指定要在数据帧上执行的联接类型。以下是可以执行的不同连接类型(SQL用户将非常熟悉这一点):

· 内部连接(如果不提供任何参数,则默认执行)

· 外部连接

· 右连接

· 左连接

还可以使用“sort”参数对数据帧进行排序。这些是合并两个数据帧时最常用的参数。

来源:Pexels

现在,我们将看到数据框包含100个“检查点”的行:

mergedData.loc[mergedData['Exam Points']==100]

三个学生得了100分,其中两个在10班。做得好!

接下来,我的建议是接受包含3个不同文件的食物预测挑战。

很直截了当,对吧?

你再也不必为此而自责了!你可以继续并将其应用于选择的任何数据集。

留言点赞关注

我们一起分享AI学习与发展的干货

如转载,请后台留言,遵守转载规范

推荐

首页/电脑版/网名
© 2026 NiBaKu.Com All Rights Reserved.