இந்தக் கட்டுரையில், தரவுக் கையாளுதல் மற்றும் பகுப்பாய்விற்காக பைத்தானில் உள்ள பிரபலமான நூலகமான Pandas DataFrame இல் புதிய நெடுவரிசையைச் சேர்ப்பதற்கான செயல்முறையை ஆராய்வோம். இந்தச் சிக்கலுக்கான தீர்வைப் பற்றி விவாதிப்போம், குறியீட்டின் படிப்படியான விளக்கத்தைப் பார்ப்போம், மேலும் பாண்டாஸ் நூலகத்தில் சில தொடர்புடைய தலைப்புகள் மற்றும் செயல்பாடுகளை உள்ளடக்குவோம். Pandas என்பது உயர்தர தரவு கட்டமைப்புகள் மற்றும் கருவிகளைக் கொண்ட பரவலாகப் பயன்படுத்தப்படும் நூலகமாகும், திறமையான தரவு பகுப்பாய்வு மற்றும் பணிகளைக் கையாள்வதற்கு ஏற்றது.
தொடங்குவதற்கு, எங்களிடம் ஒரு பாண்டாஸ் டேட்டாஃப்ரேம் வடிவத்தில் தரவுத்தொகுப்பு உள்ளது மற்றும் அதில் ஒரு புதிய நெடுவரிசையைச் சேர்க்க விரும்புகிறோம். தரவுத் தயாரிப்பு கட்டத்தில் இது ஒரு பொதுவான தேவையாகும், இது பெரும்பாலும் அம்ச பொறியியலுக்கு அல்லது ஏற்கனவே உள்ள நெடுவரிசைகளின் அடிப்படையில் கூடுதல் தகவல்களை உருவாக்குவதற்குத் தேவைப்படுகிறது. இதை எப்படி அடையலாம் என்று பார்ப்போம்.
Pandas DataFrame இல் புதிய நெடுவரிசையைச் சேர்த்தல்
தேவையான நூலகத்தை இறக்குமதி செய்து மாதிரி DataFrame ஐ உருவாக்குவதன் மூலம் தொடங்குவோம்.
import pandas as pd data = {'Name': ['Alex', 'Tom', 'Nick', 'Sam'], 'Age': [25, 28, 23, 22], 'City': ['NY', 'LA', 'SF', 'Chicago']} df = pd.DataFrame(data)
இப்போது, 'நாடு' என்ற புதிய நெடுவரிசையை நமது DataFrame இல் இயல்புநிலை மதிப்புடன் சேர்ப்போம், 'USA' எனக் கூறவும்.
df['Country'] = 'USA'
இந்த எளிய குறியீட்டு வரியானது, 'நாடு' என்ற புதிய நெடுவரிசையை எங்களின் தற்போதைய DataFrame 'df' இல் அதன் அனைத்து வரிசைகளிலும் 'USA' மதிப்புடன் சேர்க்கும். எங்களின் புதுப்பிக்கப்பட்ட DataFrame இப்படி இருக்கும்:
Name Age City Country 0 Alex 25 NY USA 1 Tom 28 LA USA 2 Nick 23 SF USA 3 Sam 22 Chicago USA
படிப்படியான குறியீடு விளக்கம்
குறியீட்டை உடைத்து படிப்படியாக புரிந்துகொள்வோம்.
1. முதலில், 'pd' என்ற நிலையான மாற்றுப் பெயரைப் பயன்படுத்தி பாண்டாஸ் நூலகத்தை இறக்குமதி செய்கிறோம். இது 'pd' முன்னொட்டைப் பயன்படுத்தி பாண்டாஸ் செயல்பாடுகள் மற்றும் வகுப்புகளை அணுக அனுமதிக்கிறது.
import pandas as pd
2. அடுத்து, சில மாதிரித் தரவுகளைக் கொண்ட அகராதி 'தரவு' ஒன்றை உருவாக்குகிறோம். அகராதியில் உள்ள ஒவ்வொரு விசையும் ஒரு நெடுவரிசையின் பெயரைக் குறிக்கிறது, மேலும் அதன் தொடர்புடைய மதிப்பு அந்த நெடுவரிசைக்கான மதிப்புகளின் பட்டியலாகும்.
data = {'Name': ['Alex', 'Tom', 'Nick', 'Sam'], 'Age': [25, 28, 23, 22], 'City': ['NY', 'LA', 'SF', 'Chicago']}
3. இந்த அகராதியை `pd.DataFrame()` செயல்பாட்டைப் பயன்படுத்தி Pandas DataFrame பொருளாக மாற்றுவோம்.
df = pd.DataFrame(data)
4. இறுதியாக, ஒரு புதிய நெடுவரிசையைச் சேர்க்க, DataFrame உடன் "=" என்ற அசைன்மென்ட் ஆபரேட்டரைப் பயன்படுத்துகிறோம், புதிய நெடுவரிசைப் பெயரை சதுர அடைப்புக்குறிக்குள் வழங்குகிறோம் மற்றும் இயல்புநிலை மதிப்பைக் குறிப்பிடுகிறோம். எங்கள் விஷயத்தில், இயல்பு மதிப்பு 'USA' உடன் 'நாடு' நெடுவரிசையைச் சேர்த்துள்ளோம்.
df['Country'] = 'USA'
பாண்டாஸ் நூலகம் மற்றும் தொடர்புடைய செயல்பாடுகள்
பாண்டாஸ் ஒரு சக்திவாய்ந்த பைதான் நூலகம், குறிப்பாக தரவு செயலாக்கம், சுத்தம் செய்தல் மற்றும் பகுப்பாய்வு பணிகளுக்கு ஏற்றது. இது இரண்டு முக்கிய தரவு கட்டமைப்புகளை வழங்குகிறது: டேட்டாஃப்ரேம் மற்றும் தொடர். டேட்டாஃப்ரேம் என்பது அச்சுகள் (வரிசைகள் மற்றும் நெடுவரிசைகள்) கொண்ட இரு பரிமாண அட்டவணை தரவு கட்டமைப்பாகும். ஒரு தொடர், மறுபுறம், எந்த வகையிலும் தரவை வைத்திருக்கும் திறன் கொண்ட ஒரு பரிமாண லேபிளிடப்பட்ட வரிசையாகும்.
DataFrame இல் நெடுவரிசைகளைச் சேர்ப்பது, மாற்றுவது மற்றும் நீக்குவது தொடர்பான சில பொதுவான Pandas செயல்பாடுகள் பின்வருமாறு:
- செருகு(): ஒரு குறிப்பிட்ட நிலையில் ஒரு நெடுவரிசையைச் செருக.
- கைவிட(): DataFrame இலிருந்து ஒரு நெடுவரிசையை அகற்ற.
- மறுபெயரிடு(): DataFrame இன் நெடுவரிசையை மறுபெயரிட.
- ஒதுக்க(): வெளிப்பாட்டின் முடிவின் அடிப்படையில் புதிய நெடுவரிசையை உருவாக்க.
எனவே, Pandas DataFrame இல் புதிய நெடுவரிசையைச் சேர்ப்பது எளிமையானது மற்றும் திறமையானது. இந்தக் கட்டுரையில், இயல்புநிலை மதிப்புடன் புதிய நெடுவரிசையைச் சேர்ப்பதற்கான அடிப்படை முறையை நாங்கள் உள்ளடக்கியுள்ளோம், மேலும் அதில் உள்ள படிகளுக்கான விரிவான விளக்கங்களை வழங்கியுள்ளோம். Pandas ஐ சக்திவாய்ந்த தரவு கையாளுதல் நூலகமாகவும் அறிமுகப்படுத்தியுள்ளோம் மற்றும் DataFrame நெடுவரிசைகளை நிர்வகிப்பதற்கான சில தொடர்புடைய செயல்பாடுகளைப் பற்றி விவாதித்தோம். இந்த நுட்பங்களை மாஸ்டரிங் செய்வதன் மூலம், பைத்தானில் பரந்த அளவிலான தரவு செயலாக்கப் பணிகளைக் கையாள நீங்கள் நன்கு தயாராக இருப்பீர்கள்.