Pandas是Python中强大的数据分析库，但处理不同结构DataFrame间的列复制时，效率至关重要。本文介绍一种高效方法，避免逐行复制带来的性能瓶颈。
假设我们有两个结构不同的DataFrame，df1和df2，目标是将df2中的一列或多列复制到df1中，同时保持df1的原始结构。
以下代码演示了如何高效地完成此操作：
import pandas as pd
# 创建示例DataFrame
df1 = pd.DataFrame({
'A': range(4),
'B': range(4),
'C': range(4),
'D': range(4)
})
df2 = pd.DataFrame({
'D': [11, 22, 33],
'E': ['aa', 'bb', 'cc']
})
# 将df2的'D'列复制到df1的'A'列 (假设需要调整长度)
df1['A'] = df2['D'].reindex_like(df1['A']).values
# 将df2的'E'列添加到df1 (如果df1没有'E'列)
df1['E'] = df2['E'].reindex_like(df1['A']).values
# 打印结果
print(df1)
此方法利用reindex_like()函数调整df2列的索引，使其与df1对应列的索引匹配，然后使用.values属性高效地将数据赋值给df1。这比逐行复制效率更高，尤其在大数据集上。 如果df2的列长度短于df1，多余部分将填充缺失值（NaN）。 如果需要在df1中添加新的列（例如df2的'E'列），可以直接赋值。 这种方法简洁高效，适用于各种数据量的情况。
以上就是在Python中如何高效地将一个DataFrame的整列复制到另一个结构不同的DataFrame中？的详细内容，更多请关注知识资源分享宝库其它相关文章！
发表评论:
◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。