昨天說到如何新增一個DataFrame，也說到每個一欄位都是一個series，接下來不能免俗的要介紹欄位的修改，這個在Pandas中最常見的操作，身為靈活的功夫熊貓，自然不會只有一個招式，條條大路通修改。

首先，我們先手動新增一個DataFrame

df = pd.DataFrame({"name":["Mary","John","Cindy"], "salary":[50000,72000,89000]})

新增/修改欄位

直接賦值法

非常直接，用方括號指定欄位名稱就可以了，data可以是常數值，也可以來自另一個欄位再做運算。如果是常數值，就會整個series都是相同的值，新增跟修改是一樣的，欄位存在就覆蓋，不存在就新增。

df["annual_salary"] = df["salary"] * 14
df["department"] = "Sales Dept"

使用assign ★★★★★

assign會返回一個新的物件，使用上會是更安全的選擇，同時它可以一次新增多個欄位，它的語法是
df.assign(欄位1 = 欄位值1, 欄位2 = 欄位值2, 欄位3 = 欄位值3....)
欄位值可以是常數，可是另一個欄位的加總，也可以是lambda語句

# 以下兩個語句 效果一樣
df2 = df.assign(annual_salary = df["salary"] *14,
               department = "Sales Dept")

df2 = df.assign(annual_salary = lambda d: d["salary"] *14,
               department = "Sales Dept")

assign同樣適用，欄位存在就覆蓋，不存在就新增

刪除欄位

刪除的部分可以用跟python一樣的用法的pop/del，也可以用df.drop

del

簡直粗暴解，沒有回頭路，

del df["department"]

pop

pop在python一樣，刪除的同時回傳欄位，可以對欄位做後續的加工處理再塞回去dataframe

annual_salary_col = df.pop("annual_salary")

drop ★★★★★

drop和assign一樣是會回傳一個新物件，是比較安全的選擇
(當然如果用原變數去接的話就是另一個故事了)
column是一個陣列，可以一次刪除多個欄位

df2 = df.drop(columns=["annual_salary","department"])

欄位重新命名: rename

欄位rename只要給columns屬性一個dictionary就可以一次修改多欄

df2 = df.rename(columns={"annual_salary":"year_salary", "department":"dept"})

但rename也不只能修改columns，它也可以修改index

index_dict = {"Mary":"Taylor", "John": "Johnny", "Cindy": "Cindy Baby"}
column_dict = {"annual_salary":"year_salary", "department":"dept"}
df2 = df.set_index('name').rename(index= index_dict, columns=column_dict)

意思是先set index為欄位name，再重設column和index

這裡會有個小小的疑問，為什麼df可以先點set_index，再點rename。
保安！可以這樣點了又點、點了再點嗎？

可以

Method Chaining

什麼是 Method Chaining 方法鏈 ？

Method Chaining 指的是把多個 DataFrame 操作串成一條鏈，像管線 (pipeline) 一樣依序處理。在操作csv或excel，很難避免為了得到某個最終的結果，中間需要做很多加工的過程，在傳統工法中每一段加工就是一行，有了method chaining，流程能更一目了然，程式的可讀性也更高。

Before Method Chaining

df = df[df["sales"] > 100]
df["profit"] = df["sales"] - df["cost"]
df = df.groupby("dept")["profit"].mean().reset_index()

After Method Chaining

df = (
    df
    .query("sales > 100")
    .assign(profit=lambda d: d["sales"] - d["cost"])
    .groupby("dept")["profit"].mean()
    .reset_index()
)

是不是太elegant了！

鏈很美好，但需適度服用，過猶不及，請勿為鏈而鏈

下集預告：繼續深扒DataFrame....