如何向 Pandas 数据框添加新列？

有一次面试，面试官突然丢了个问题：“你知道怎么往 Pandas 的 DataFrame 里加新列吗？”我心想，这不是送分题吗？可我还没高兴多久，就看到他递过来一份代码，代码里有点东西不对劲，我差点笑出声……

咱们先来复原下他说的写法：

import pandas as pd      
data_info = {
'first': pd.Series([1, 2, 3], index=['a', 'b', 'c']),    
'second': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
}    
df = pd.DataFrame(data_info)    
df['third'] = pd.Series([10, 20, 30], index=['a', 'b', 'c'])    
df['fourth'] = df['first'] + info['third']  # 这里出问题了

好家伙，info 是哪位？

我第一反应就是：“你这代码能跑起来我直播倒立写Python。”这里明显写错了变量名，info['third'] 根本不存在，正确的应该是 df['third']。

改正后是这样的：

df['fourth'] = df['first'] + df['third']

所以说，写代码和写情书不一样，后者错了可能还能感动对方，前者错一个变量名就直接见红灯。

稍微正经点，我们来聊聊怎么给 DataFrame 加列

作为一个整天和 pandas 打交道的开发，我经常碰到这种场景：原始数据已经有好几列了，我得根据某些逻辑再加点自己的“佐料”。

比如最常见的几种添加新列的方式：

1. 直接赋值一整个 Series（有索引对齐）

df['new_col'] = pd.Series([100, 200, 300], index=['a', 'b', 'c'])

这种方法就像按编号发快递，只要你索引写对了，pandas 会乖乖把值贴到对应的行上，其他行就是 NaN。

2. 用现有列做计算

df['sum_col'] = df['first'] + df['third']

这个逻辑特别适合我们做数据清洗时，比如价格 + 运费，重量 * 数量之类的，简洁明了。

3. 用 apply 搞点灵活操作

df['flag'] = df.apply(lambda row: 'Yes'if row['first'] > 1else'No', axis=1)

这个方法就有点像你写了个迷你函数，逐行处理，虽然慢一点，但胜在灵活，爱怎么搞就怎么搞。

4. 用 assign 也行，链式操作控的最爱

df = df.assign(new_col=df['first'] * 10)

这种方式一般出现在一堆链式调用中，虽然很帅，但有点容易出错，不推荐用在太复杂的逻辑里。

稍微提醒一句：索引对不上，小心 NaN

在给 DataFrame 添加新列的时候，如果你用的 Series 索引不对，比如：

df['bad_col'] = pd.Series([100, 200, 300], index=['x', 'y', 'z'])

你会发现这三行压根没对应的主键，于是全是 NaN。这个时候你以为加了，其实只是丢进去了一堆空气。

所以，我一般的习惯是：要么先 reset_index() 处理好 DataFrame，要么就是明确每一行对应哪个 index，少浪费自己调 bug 的时间。

面试题的最优回答

现在回到最开始那个面试题，如果你是我，你该怎么答呢？

标准答法：

“向 pandas.DataFrame 添加新列有多种方式，最常见的是直接赋值，比如：

df['new_col'] = pd.Series([...], index=...)

或者通过已有列计算：

df['new_col'] = df['col1'] + df['col2']

还可以用 apply 做更复杂的逻辑操作，也可以用 assign 进行链式调用。

注意要保证新列的索引和 DataFrame 对齐，否则会产生 NaN。”

加点分的答法：

“如果你要处理的逻辑复杂，比如涉及判断或多列组合，建议用 apply，比如：

df['label'] = df.apply(lambda row: 'high'if row['score'] > 90else'low', axis=1)

不过性能上比直接向量运算差很多，大数据量推荐 vectorized 方法，像：

df['is_high'] = df['score'] > 90

这个效率高，也更推荐。”

就这回答，稳了，起码比“df['fourth'] = info['third']”靠谱一万倍。