Étant donné un DataFrame:

np.random.seed(0)
df = pd.DataFrame(np.random.randn(3, 3), columns=list('ABC'), index=[1, 2, 3])
df

          A         B         C
1  1.764052  0.400157  0.978738
2  2.240893  1.867558 -0.977278
3  0.950088 -0.151357 -0.103219

Quelle est la manière la plus simple d'ajouter une nouvelle colonne contenant une valeur constante, par exemple 0?

          A         B         C  new
1  1.764052  0.400157  0.978738    0
2  2.240893  1.867558 -0.977278    0
3  0.950088 -0.151357 -0.103219    0

C'est ma solution, mais je ne sais pas pourquoi cela met NaN dans la «nouvelle» colonne?

df['new'] = pd.Series([0 for x in range(len(df.index))])

          A         B         C  new
1  1.764052  0.400157  0.978738  0.0
2  2.240893  1.867558 -0.977278  0.0
3  0.950088 -0.151357 -0.103219  NaN

La raison pour laquelle cela met NaNdans une colonne est que df.indexet le Indexde votre objet de droite sont différents. @zach montre la bonne façon d'attribuer une nouvelle colonne de zéros. En général, pandasessaie de faire autant d'alignement d'indices que possible. Un inconvénient est que lorsque les indices ne sont pas alignés, vous obtenez NaNlà où ils ne sont pas alignés. Jouez avec les méthodes reindexet alignpour acquérir une certaine intuition pour l'alignement fonctionne avec des objets qui ont des indices partiellement, totalement et non alignés - tous alignés. Par exemple, voici comment DataFrame.align()fonctionne avec des indices partiellement alignés:

In [7]: from pandas import DataFrame

In [8]: from numpy.random import randint

In [9]: df = DataFrame({'a': randint(3, size=10)})

In [10]:

In [10]: df
Out[10]:
   a
0  0
1  2
2  0
3  1
4  0
5  0
6  0
7  0
8  0
9  0

In [11]: s = df.a[:5]

In [12]: dfa, sa = df.align(s, axis=0)

In [13]: dfa
Out[13]:
   a
0  0
1  2
2  0
3  1
4  0
5  0
6  0
7  0
8  0
9  0

In [14]: sa
Out[14]:
0     0
1     2
2     0
3     1
4     0
5   NaN
6   NaN
7   NaN
8   NaN
9   NaN
Name: a, dtype: float64

Affectation sur place très simple: df['new'] = 0

Pour une modification sur place, effectuez une affectation directe. Cette affectation est diffusée par des pandas pour chaque ligne.

df = pd.DataFrame('x', index=range(4), columns=list('ABC'))
df

   A  B  C
0  x  x  x
1  x  x  x
2  x  x  x
3  x  x  x

df['new'] = 'y'
# Same as,
# df.loc[:, 'new'] = 'y'
df

   A  B  C new
0  x  x  x   y
1  x  x  x   y
2  x  x  x   y
3  x  x  x   y

Remarque pour les colonnes d'objets

Si vous souhaitez ajouter une colonne de listes vides, voici mon conseil:

• Envisagez de ne pas faire cela. objectles colonnes sont de mauvaises nouvelles en termes de performances. Repensez la structure de vos données.
• Envisagez de stocker vos données dans une structure de données clairsemée. Pour plus d'informations: structures de données clairsemées

• Si vous devez stocker une colonne de listes, veillez à ne pas copier plusieurs fois la même référence.

  # Wrong
  df['new'] = [[]] * len(df)
  # Right
  df['new'] = [[] for _ in range(len(df))]

Générer une copie: df.assign(new=0)

Si vous avez besoin d'une copie à la place, utilisez DataFrame.assign:

df.assign(new='y')

   A  B  C new
0  x  x  x   y
1  x  x  x   y
2  x  x  x   y
3  x  x  x   y

Et, si vous devez attribuer plusieurs de ces colonnes avec la même valeur, c'est aussi simple que,

c = ['new1', 'new2', ...]
df.assign(**dict.fromkeys(c, 'y'))

   A  B  C new1 new2
0  x  x  x    y    y
1  x  x  x    y    y
2  x  x  x    y    y
3  x  x  x    y    y

Affectation de plusieurs colonnes

Enfin, si vous devez affecter plusieurs colonnes avec des valeurs différentes, vous pouvez utiliser assignavec un dictionnaire.

c = {'new1': 'w', 'new2': 'y', 'new3': 'z'}
df.assign(**c)

   A  B  C new1 new2 new3
0  x  x  x    w    y    z
1  x  x  x    w    y    z
2  x  x  x    w    y    z
3  x  x  x    w    y    z

Avec les pandas modernes, vous pouvez simplement faire:

df['new'] = 0

Voici une autre doublure utilisant des lambdas (créez une colonne avec une valeur constante = 10)

df['newCol'] = df.apply(lambda x: 10, axis=1)

avant

df
    A           B           C
1   1.764052    0.400157    0.978738
2   2.240893    1.867558    -0.977278
3   0.950088    -0.151357   -0.103219

après

df
        A           B           C           newCol
    1   1.764052    0.400157    0.978738    10
    2   2.240893    1.867558    -0.977278   10
    3   0.950088    -0.151357   -0.103219   10