pandas 作為一種常用的數據分析工具，提供了廣泛的數據修改方法。
既可以針對行或者列的數據進行修改，也可以對具體單個元素進行修改，還可以基於條件選擇要修改的行或者列的數據。

1. 增加數據

1.1 增加行數據

pandas的DataFrame增加一行或者多行數據之前是使用append方法。

import pandas as pd

df = pd.DataFrame(columns=["name", "age", "gender"])
df = df.append(
    [
        {"name": "小紅", "age": 13, "gender": "女"},
        {"name": "小明", "age": 15, "gender": "男"},
    ],
    ignore_index=True,
)
df

使用append方法會有FutureWarning警告，說明append方法以後會被淘汰，不建議使用此方法來增加數據。

建議使用的方法是 concat。
當兩個DataFrame列相同的時候，通過concat可以其中一個DataFrame的行添加到另一個DataFrame中。

import pandas as pd

df = pd.DataFrame(columns=["name", "age", "gender"])
new_data = pd.DataFrame(
    {
        "name": ["小紅", "小明"],
        "age": [13, 15],
        "gender": ["男", "女"],
    }
)
df = pd.concat([df, new_data[:1])
df

1.2 增加列數據

增加列數據用insert方法，insert方法有關鍵參數有三個：

1. loc：列插入的位置，從0開始
2. column：列名稱
3. value：插入的值

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小紅", "小明"],
        "age": [13, 15],
        "gender": ["男", "女"],
    }
)
df.insert(3, "score", [100, 95])
df

如果想把新的列插入到前面，修改insert方法的第一個參數。

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小紅", "小明"],
        "age": [13, 15],
        "gender": ["男", "女"],
    }
)
df.insert(1, "score", [100, 95])
df

此外，前面增加行數據的concat方法也可以增加列數據，按列添加時，設置axis=1。

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小紅", "小明"],
        "age": [13, 15],
        "gender": ["男", "女"],
    }
)
new_data = pd.DataFrame({"score": [100, 95]})
df = pd.concat([df, new_data], axis=1)
df

2. 刪除數據

刪除數據使用drop方法，drop方法的axis參數控制刪除行還是列。

2.1 刪除行

刪除單行：

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小紅", "小明", "小華"],
        "age": [13, 15, 14],
        "gender": ["男", "女", "男"],
    }
)

df.drop(1, axis=0)

刪除多個行：

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小紅", "小明", "小華"],
        "age": [13, 15, 14],
        "gender": ["男", "女", "男"],
    }
)

df.drop([0, 2], axis=0)

2.2 刪除列

刪除單個列：

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小紅", "小明", "小華"],
        "age": [13, 15, 14],
        "gender": ["男", "女", "男"],
    }
)
df.drop("age", axis=1)

刪除多個列：

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小紅", "小明", "小華"],
        "age": [13, 15, 14],
        "gender": ["男", "女", "男"],
    }
)
df.drop(["age", "gender"], axis=1)

3. 修改數據

修改數據既可以使用之前介紹過的loc和iloc方法，也可以通過條件過濾出需要修改的值。
這裡再次提醒下loc和iloc的區別：

1. loc使用標簽，iloc使用索引
2. loc的行和列的標簽是包含端點的，iloc的行和列的索引是不包含端點的

3.1 單個數據修改

通過loc或者iloc定位到具體的元素，然後修改。

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小紅", "小明", "小華"],
        "age": [13, 15, 14],
        "gender": ["男", "女", "男"],
    }
)
df.loc[0, "name"] = "小黃"
# OR df.iloc[0, 0] = "小黃"

3.2 多個數據修改

通過loc或者iloc定位多個行和列，然後修改。

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小紅", "小明", "小華"],
        "age": [13, 15, 14],
        "gender": ["男", "女", "男"],
    }
)

df.loc[0:1, "age"] = 18
# OR df.iloc[0:2, 1] = 18

3.3 按條件修改

loc或者iloc也可以設置條件來過濾出要修改的數據。

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小紅", "小明", "小華"],
        "age": [13, 15, 14],
        "gender": ["男", "女", "男"],
    }
)

df.loc[df["age"] > 13, "age"] = 20
# OR df.iloc[df["age"] > 13, 1] = 20

4. 總結回顧

數據分析中，調整數據的值來試驗分析結果的變化情況是很常見的操作。

本篇主要介紹了數據修改的常用方法，從行列的修改到單個元素的修改，以及按照條件修改數據。
熟練掌握上面介紹的方法，讓我們在數據分析中更好的掌控自己的數據。