Pandas-tutorial: Kolom toevoegen

Je zit nooit vast aan alleen de data die je krijgt. Je kunt namelijk nieuwe kolommen toevoegen aan een DataFrame. Dit wordt ook wel transformeren, muteren of feature engineering genoemd.

Je kunt nieuwe kolommen helemaal zelf aanmaken, maar het is ook gebruikelijk om ze af te leiden van andere kolommen, bijvoorbeeld door kolommen bij elkaar op te tellen of door de eenheden te veranderen.

Een kolom afleiden

Met een dataset over honden wil je bijvoorbeeld een nieuwe kolom toevoegen aan je DataFrame met de lengte van elke hond in meters in plaats van centimeters.

Links van het gelijkteken gebruik je rechte haken met de naam van de nieuwe kolom die je wilt maken, in dit geval height_m. Rechts staat de berekening.

dogs["height_m"] = dogs["height_cm"] / 100
print(dogs)

        name        breed   color   height_cm   weight_kg   date_of_birth   height_m
0      Bella     Labrador   Brown          56          24      2013-07-01       0.56
1    Charlie       Poodle   Black          43          24      2016-09-16       0.43
2       Lucy    Chow Chow   Brown          46          24      2014-08-25       0.46
3     Cooper    Schnauzer    Gray          49          17      2016-09-16       0.49
4        Max     Labrador   Black          59          29      2016-09-16       0.59
5     Stella    Chihuahua     Tan          18           2      2016-09-16       0.18
6     Bernie  St. Bernard   White          77          74      2016-09-16       0.77

Let op: zowel de bestaande als de afgeleide kolom staan in het aangepaste dataframe.

Een kolom toevoegen

In dit voorbeeld bereken je de doggy mass index en voeg je die toe als kolom aan je dataframe. BMI staat voor body mass index, wat wordt berekend als het gewicht in kilogram gedeeld door de lengte in meters in het kwadraat.

dogs["height_m"] = dogs["weight_kg"] / dogs["height_m"] ** 2
print(dogs.head())

        name        breed   color   height_cm   weight_kg   date_of_birth   height_m          bmi
0      Bella     Labrador   Brown          56          24      2013-07-01       0.56    76.530612
1    Charlie       Poodle   Black          43          24      2016-09-16       0.43   129.799892
2       Lucy    Chow Chow   Brown          46          24      2014-08-25       0.46   113.421550
3     Cooper    Schnauzer    Gray          49          17      2016-09-16       0.49    70.803832
4        Max     Labrador   Black          59          29      2016-09-16       0.59    83.309394

Ook nu staat de nieuwe kolom links van het gelijkteken, maar deze keer bevat de berekening twee kolommen.

Een kolom toevoegen met meerdere bewerkingen

De echte kracht van pandas komt naar voren wanneer je alle vaardigheden combineert die je tot nu toe hebt geleerd. Laten we de namen achterhalen van slanke, lange honden.

Om te beginnen definieer je de slanke honden als de subset met een BMI lager dan 100. Vervolgens sorteer je op lengte in aflopende volgorde om de langste slanke honden bovenaan te krijgen.

Tot slot bewaar je deze keer alleen de kolommen die je nodig hebt.

bmi_lt_100 = dogs[dogs["bmi"] < 100]
bmi_lt_100_height = bmi_lt_100.short_values("height_cm", ascending=False)
bmi_lt_100_height[["name", "height_cm", "bmi"]]

        name      height_cm           bmi
4        Max             59     83.309394
0      Bella             56     76.530612
3     Cooper             49     70.803832
5     Stella             18     61.728395

Hier zie je dat Max de langste hond is met een BMI onder de 100.

Interactief voorbeeld

In het onderstaande voorbeeld voeg je een nieuwe kolom toe aan DataFrame homelessness met de naam total, die de som bevat van de kolommen individuals en family_members. Voeg daarna nog een kolom toe aan homelessness, genaamd p_individuals, met het aandeel van de dakloze mensen per staat dat uit individuen bestaat. Print tot slot het homelessness-dataframe.

# Add total col as sum of individuals and family_members
homelessness["total"] = homelessness["individuals"] + homelessness["family_members"]

# Add p_individuals col as proportion of individuals
homelessness["p_individuals"] = homelessness["individuals"] / homelessness["total"]

# See the result
print(homelessness)

Als we bovenstaande code uitvoeren, krijgen we het volgende resultaat:

                region                 state  individuals  family_members  state_pop     total  p_individuals
0   East South Central               Alabama       2570.0           864.0    4887681    3434.0          0.748
1              Pacific                Alaska       1434.0           582.0     735139    2016.0          0.711
2             Mountain               Arizona       7259.0          2606.0    7158024    9865.0          0.736
3   West South Central              Arkansas       2280.0           432.0    3009733    2712.0          0.841
4              Pacific            California     109008.0         20964.0   39461588  129972.0          0.8
...
48      South Atlantic         West Virginia       1021.0           222.0    1804291    1243.0          0.821
49  East North Central             Wisconsin       2740.0          2167.0    5807406    4907.0          0.558
50            Mountain               Wyoming        434.0           205.0     577601     639.0          0.679

Probeer het zelf.

Bekijk ook DataCamp's tutorial over Kolommen verwijderen in pandas.

Wil je meer leren over het toevoegen van nieuwe kolommen in pandas? Bekijk dan deze video uit onze cursus Data Manipulation with pandas.

Deze content is afkomstig uit DataCamp’s cursus Data Manipulation with pandas van Maggie Matsui en Richie Cotton.