Добавление и удаление колонок - IMI-DS

Привет! Ты уже умеешь загружать данные, выбирать колонки и фильтровать строки. Но что, если нужно добавить новый столбец — например, рассчитать выручку как произведение цены на количество? Или удалить временные колонки, которые больше не нужны?

В этой статье мы разберём:

Добавление новой колонки через присваивание
Вставка колонки на нужную позицию: insert()
Добавление вычисляемых колонок
Удаление колонок через drop()
Переименование колонок
Цепочка операций с assign()

Содержание

Что нужно знать перед началом
Основная часть
Подготовка данных
Добавление новой колонки через присваивание
Добавление колонки с одним значением
Добавление колонки из списка
Вставка колонки на нужную позицию: insert()
Добавление вычисляемой колонки с условием
Удаление колонок: drop()
Удаление по имени
Удаление нескольких колонок
Удаление колонок по позиции
Добавление колонок через assign()
Переименование колонок
Переименование нескольких колонок
Переименование одной колонки
Практический пример: подготовка данных для анализа
Удаление колонок по условию
Задачи для закрепления
Нюансы и подводные камни
Копия vs представление
Перезапись существующих колонок
Удаление inplace
Частые ошибки и как их избежать
Ошибка 1: Забыл axis=1 в drop()
Ошибка 2: Несовпадение длины списка
Ошибка 3: Использование inplace=True без осторожности
Шпаргалка
Заключение
КВИЗ
Что дальше?

Что нужно знать перед началом

Для этого урока тебе понадобится:

Установленный Pandas (pip install pandas)
Базовое понимание DataFrame
Знание, как выбирать колонки

Совет: Добавление и удаление колонок — одна из самых частых операций при подготовке данных. Освоив её, ты будешь работать с таблицами гораздо быстрее!

Основная часть

Подготовка данных

import pandas as pd
import numpy as np

np.random.seed(42)

# Создаём данные о продажах
data = {
    'Товар': ['Ноутбук', 'Телефон', 'Планшет', 'Ноутбук', 'Телефон', 'Планшет'],
    'Продажи': [5, 12, 8, 3, 7, 4],
    'Цена': [50000, 30000, 15000, 50000, 30000, 15000],
    'Город': ['Москва', 'Москва', 'Москва', 'СПб', 'СПб', 'СПб']
}

df = pd.DataFrame(data)
print("Исходные данные:")
print(df)

Результат:

     Товар  Продажи   Цена  Город
0  Ноутбук        5  50000  Москва
1  Телефон       12  30000  Москва
2  Планшет        8  15000  Москва
3  Ноутбук        3  50000    СПб
4  Телефон        7  30000    СПб
5  Планшет        4  15000    СПб

Добавление новой колонки через присваивание

Самый простой способ добавить колонку — просто присвоить значение по новому имени:

# Добавляем колонку 'Выручка' как произведение 'Продажи' * 'Цена'
df['Выручка'] = df['Продажи'] * df['Цена']
print(df)

Результат:

     Товар  Продажи   Цена  Город   Выручка
0  Ноутбук        5  50000  Москва    250000
1  Телефон       12  30000  Москва    360000
2  Планшет        8  15000  Москва    120000
3  Ноутбук        3  50000    СПб    150000
4  Телефон        7  30000    СПб    210000
5  Планшет        4  15000    СПб     60000

Совет: Если колонка уже существует, её значение будет перезаписано. Будь осторожен!

Добавление колонки с одним значением

# Добавляем колонку 'Скидка' со значением 5% для всех строк
df['Скидка'] = 0.05
print(df)

Результат:

     Товар  Продажи   Цена  Город   Выручка  Скидка
0  Ноутбук        5  50000  Москва    250000    0.05
1  Телефон       12  30000  Москва    360000    0.05
2  Планшет        8  15000  Москва    120000    0.05
3  Ноутбук        3  50000    СПб    150000    0.05
4  Телефон        7  30000    СПб    210000    0.05
5  Планшет        4  15000    СПб     60000    0.05

Совет: Это удобно для добавления константных значений (например, ставка НДС, коэффициент).

Добавление колонки из списка

# Добавляем колонку из списка
new_values = [10, 20, 15, 8, 12, 10]
df['Бонус'] = new_values
print(df[['Товар', 'Бонус']])

Результат:

     Товар  Бонус
0  Ноутбук     10
1  Телефон     20
2  Планшет     15
3  Ноутбук      8
4  Телефон     12
5  Планшет     10

Совет: Длина списка должна совпадать с длиной DataFrame. Иначе будет ошибка.

Вставка колонки на нужную позицию: insert()

insert() позволяет вставить колонку в определённое место:

# Вставляем колонку 'ID' на позицию 0 (в самое начало)
df.insert(0, 'ID', range(1, len(df) + 1))
print(df)

Результат:

   ID    Товар  Продажи   Цена  Город   Выручка  Скидка  Бонус
0   1  Ноутбук        5  50000  Москва    250000    0.05     10
1   2  Телефон       12  30000  Москва    360000    0.05     20
2   3  Планшет        8  15000  Москва    120000    0.05     15
3   4  Ноутбук        3  50000    СПб    150000    0.05      8
4   5  Телефон        7  30000    СПб    210000    0.05     12
5   6  Планшет        4  15000    СПб     60000    0.05     10

Совет: insert(loc, column, value) — loc это позиция (0 — первая колонка).

Добавление вычисляемой колонки с условием

Можно добавлять колонки на основе условий:

# Добавляем колонку 'Категория' на основе цены
df['Категория'] = df['Цена'].apply(
    lambda x: 'Дорогой' if x > 30000 else 'Средний' if x > 20000 else 'Доступный'
)
print(df[['Товар', 'Цена', 'Категория']])

Результат:

     Товар   Цена  Категория
0  Ноутбук  50000    Дорогой
1  Телефон  30000    Дорогой
2  Планшет  15000  Доступный
3  Ноутбук  50000    Дорогой
4  Телефон  30000    Дорогой
5  Планшет  15000  Доступный

Совет: apply() с лямбда-функцией — мощный инструмент для создания колонок по условию.

Удаление колонок: drop()

Удаление по имени

# Удаляем колонку 'Бонус'
df = df.drop('Бонус', axis=1)
print(df.columns)

Результат:

Index(['ID', 'Товар', 'Продажи', 'Цена', 'Город', 'Выручка', 'Скидка', 'Категория'], dtype='object')

Удаление нескольких колонок

# Удаляем колонки 'Скидка' и 'Категория'
df = df.drop(['Скидка', 'Категория'], axis=1)
print(df.columns)

Результат:

Index(['ID', 'Товар', 'Продажи', 'Цена', 'Город', 'Выручка'], dtype='object')

Удаление колонок по позиции

# Удаляем первую колонку (ID) по позиции
df = df.drop(df.columns[0], axis=1)
print(df.columns)

Результат:

Index(['Товар', 'Продажи', 'Цена', 'Город', 'Выручка'], dtype='object')

Совет: Для удаления колонок обязательно указывай axis=1 (по умолчанию удаляются строки, axis=0).

Добавление колонок через assign()

assign() позволяет добавить несколько колонок в цепочке, не изменяя исходный DataFrame:

# Создаём новый DataFrame с добавленными колонками
df_new = df.assign(
    НДС = df['Цена'] * 0.2,
    Цена_с_НДС = df['Цена'] * 1.2
)
print(df_new[['Товар', 'Цена', 'НДС', 'Цена_с_НДС']])

Результат:

     Товар   Цена    НДС  Цена_с_НДС
0  Ноутбук  50000  10000       60000
1  Телефон  30000   6000       36000
2  Планшет  15000   3000       18000
3  Ноутбук  50000  10000       60000
4  Телефон  30000   6000       36000
5  Планшет  15000   3000       18000

Совет: assign() не изменяет исходный DataFrame, а возвращает новый. Это полезно для цепочек операций.

Переименование колонок

Переименование нескольких колонок

# Переименовываем колонки
df = df.rename(columns={
    'Товар': 'Product',
    'Продажи': 'Sales',
    'Цена': 'Price',
    'Город': 'City',
    'Выручка': 'Revenue'
})
print(df.columns)

Результат:

Index(['Product', 'Sales', 'Price', 'City', 'Revenue'], dtype='object')

Переименование одной колонки

df = df.rename(columns={'Product': 'Товар'})
print(df.columns)

Совет: rename() также не изменяет DataFrame, если не указать inplace=True.

Практический пример: подготовка данных для анализа

import pandas as pd
import numpy as np

np.random.seed(42)

# Исходные данные
data = {
    'Товар': ['Ноутбук', 'Телефон', 'Планшет', 'Ноутбук', 'Телефон', 'Планшет'],
    'Продажи': [5, 12, 8, 3, 7, 4],
    'Цена': [50000, 30000, 15000, 50000, 30000, 15000],
    'Город': ['Москва', 'Москва', 'Москва', 'СПб', 'СПб', 'СПб']
}

df = pd.DataFrame(data)

print("=== Исходные данные ===")
print(df)

# 1. Добавляем ID
df.insert(0, 'ID', range(1, len(df) + 1))

# 2. Добавляем вычисляемые колонки
df['Выручка'] = df['Продажи'] * df['Цена']
df['НДС'] = df['Выручка'] * 0.2
df['Прибыль'] = df['Выручка'] - df['НДС']

# 3. Добавляем категорию по городу
df['Регион'] = df['Город'].apply(lambda x: 'Центр' if x == 'Москва' else 'Другие')

# 4. Удаляем временные колонки (если есть)
# df = df.drop(['НДС'], axis=1)

print("\n=== После обработки ===")
print(df)

Результат:

=== Исходные данные ===
     Товар  Продажи   Цена  Город
0  Ноутбук        5  50000  Москва
1  Телефон       12  30000  Москва
2  Планшет        8  15000  Москва
3  Ноутбук        3  50000    СПб
4  Телефон        7  30000    СПб
5  Планшет        4  15000    СПб

=== После обработки ===
   ID    Товар  Продажи   Цена  Город   Выручка     НДС  Прибыль  Регион
0   1  Ноутбук        5  50000  Москва    250000   50000   200000  Центр
1   2  Телефон       12  30000  Москва    360000   72000   288000  Центр
2   3  Планшет        8  15000  Москва    120000   24000    96000  Центр
3   4  Ноутбук        3  50000    СПб    150000   30000   120000  Другие
4   5  Телефон        7  30000    СПб    210000   42000   168000  Другие
5   6  Планшет        4  15000    СПб     60000   12000    48000  Другие

Удаление колонок по условию

Иногда нужно удалить колонки, которые не удовлетворяют условию:

# Удаляем все колонки, где есть пропуски (NaN)
# df = df.dropna(axis=1)

# Удаляем колонки, где все значения одинаковы
df = df.loc[:, df.nunique() > 1]
print(df.columns)

Совет: Это полезно для очистки данных от бесполезных колонок.

Задачи для закрепления

Задача 1. Добавь колонку ‘Бонус’ со значением 1000 для всех строк.

Задача 2. Добавь колонку ‘Скидка’ как 10% от цены.

Задача 3. Вставь колонку ‘Номер’ на позицию 0.

Задача 4. Удали колонку ‘Бонус’.

Задача 5. Переименуй колонку ‘Товар’ в ‘Продукт’.

Ответы:

Задача 1.

df['Бонус'] = 1000

Задача 2.

df['Скидка'] = df['Цена'] * 0.1

Задача 3.

df.insert(0, 'Номер', range(1, len(df) + 1))

Задача 4.

df = df.drop('Бонус', axis=1)

Задача 5.

df = df.rename(columns={'Товар': 'Продукт'})

Нюансы и подводные камни

Копия vs представление

При добавлении колонок будь осторожен с копиями:

# Может не сработать
df_subset = df[df['Продажи'] > 5]
df_subset['Новая'] = 100  # Warning: SettingWithCopyWarning

# Правильно — используй copy()
df_subset = df[df['Продажи'] > 5].copy()
df_subset['Новая'] = 100

Перезапись существующих колонок

При добавлении колонки с существующим именем она будет перезаписана без предупреждения:

df['Цена'] = df['Цена'] * 1.1  # Перезапись существующей колонки

Удаление inplace

drop() по умолчанию возвращает новый DataFrame. Для изменения исходного используй inplace=True:

df.drop('Бонус', axis=1, inplace=True)

Частые ошибки и как их избежать

Ошибка 1: Забыл axis=1 в drop()

# Удаляет строку, а не колонку
df.drop('Товар')

# Правильно
df.drop('Товар', axis=1)

Ошибка 2: Несовпадение длины списка

# Ошибка: длина списка не совпадает
df['Новая'] = [1, 2, 3]  # ValueError

# Правильно
df['Новая'] = [1, 2, 3, 4, 5, 6]

Ошибка 3: Использование inplace=True без осторожности

# Может не сработать, если df — копия
df_subset = df[df['Продажи'] > 5]
df_subset.drop('Цена', axis=1, inplace=True)

# Сначала сделай copy()
df_subset = df[df['Продажи'] > 5].copy()
df_subset.drop('Цена', axis=1, inplace=True)

Шпаргалка

Что нужно	Как пишется
Добавить колонку	`df['Новая'] = значения`
Добавить константу	`df['Новая'] = 100`
Вставить на позицию	`df.insert(0, 'Новая', значения)`
Вычисляемая колонка	`df['Выручка'] = df['Цена'] * df['Продажи']`
Удалить колонку	`df.drop('Колонка', axis=1)`
Удалить несколько	`df.drop(['К1', 'К2'], axis=1)`
Переименовать	`df.rename(columns={'Старое': 'Новое'})`
Цепочка добавлений	`df.assign(Новое1=..., Новое2=...)`