将计算列添加到pandas数据框。

Question

我完全是Python、pandas和编程的新手，对以下内容感到困惑：

我借助pandas访问了一个数据库，并将查询结果存储到一个名为df的数据框中。其中一列包含生日信息，可能有以下格式： - 01/25/1980（字符串） - 01/25（字符串） - None（NoneType）

现在，我想要添加一个用于存储数据库中人员年龄的新列到数据框df中。因此，我执行了以下操作：

def addAge(df):

    today = date.today()
    df["age"] = None
    for index, row in df.iterrows():
        if row["birthday"] != None:
            if len(row["birthday"]) == 10:
                birthday = df["birthday"]
                birthdayDate = datetime.date(int(birthday[6:]), int(birthday[:2]), int(birthday[3:5])) 
                row["age"] = today.year - birthdayDate.year - ((today.month, today.day) < (birthdayDate.month, birthdayDate.day))
        print row["birthday"], row["age"]  #this is just for testing

addAge(df)
print df

这行代码print row ["birthday"],row["age"]可以正确打印出生日期和年龄，但是当我调用print df时，列“age”总是包含“None”。你们能否解释一下我做错了什么？谢谢！

- Ixi

Answer 1

当你调用iterrows()时，你获取的是每行数据的副本，不能将其赋回到更大的数据帧中。一般来说，你应该尝试使用矢量化方法，而不是遍历行。

因此，在这个例子中，要解析'birthday'列，你可以像这样做：对于长度为10的行，字符串将被解析为日期时间，否则将填充为缺失值。

import numpy as np
import pandas as pd
df['birthday'] = np.where(df['birthday'].str.len() == 10, pd.to_datetime(df['birthday']), '')

要计算年龄，您可以使用.apply函数，该函数在系列的每一行上应用一个函数。
因此，如果您将年龄计算包装在一个函数中：

def calculate_age(birthdayDate, today):
    if pd.isnull(birthdayDate):
        return np.nan
    else:
        return today.year - birthdayDate.year - 
                ((today.month, today.day) < (birthdayDate.month, birthdayDate.day))

那么，您可以像这样计算年龄列：

today = date.today()
df['age'] = df['birthday'].apply(lambda x: calculate_age(x, today))

- chrisb