Pandas：在数据框中创建两个新列，其值是根据现有列计算得出的。
Pandas：在数据框中创建两个新列，其值是根据现有列计算得出的。
我正在使用pandas库，想要向一个包含n列（n > 0）的数据框df中添加两个新列。
这两个新列是通过对数据框中的一列应用函数得到的。
函数的定义如下：
def calculate(x):
...操作...
return z, y
对于返回单个值的函数，可以使用以下方法创建新列：
df['new_col'] = df['column_A'].map(a_function)
所以，我想要的，并且尝试过但不成功的是：
(df['new_col_zetas'], df['new_col_ys']) = df['column_A'].map(calculate)
如何才能实现这个目标呢？我在文档中查找，但没有找到任何线索。
df['column_A'].map(calculate)返回一个pandas Series，其中每个项都是一个元组z, y。尝试将其分配给两个数据框列会产生ValueError错误。
Pandas: 从一个已存在的列中计算出两个新列
Pandas是一个强大的数据处理工具，它提供了许多用于处理和转换数据的函数和方法。在处理数据时，有时我们需要根据一个已存在的列来计算出新的列。本文将介绍如何使用Pandas在一个DataFrame中创建两个新列，并将其值计算从一个已存在的列中得到。
问题的出现原因是我们希望根据一个已存在的列来计算出新的列。在这个问题中，我们有一个DataFrame，其中包含一个名为"column_A"的列，我们希望使用这个列的值计算出两个新的列"new_col1"和"new_col2"。
解决这个问题的方法是使用Pandas的pipe函数。pipe函数可以接受一个函数作为参数，并将DataFrame的列作为参数传递给该函数。函数将对传入的列进行计算，并返回计算后的结果。通过将pipe函数与赋值操作符结合使用，我们可以将计算后的结果赋值给新的列。
下面是解决这个问题的代码示例：
df['new_col1'], df['new_col2'] = df['column_A'].pipe(calculate)
在这个代码示例中，calculate是一个用于计算新列值的函数。pipe函数将DataFrame的"column_A"列作为参数传递给calculate函数，并返回计算后的结果。最后，计算后的结果将分配给"new_col1"和"new_col2"两列。
通过使用这个方法，我们可以方便地根据一个已存在的列计算出新的列，并将其值存储在DataFrame中。这对于数据处理和转换非常有用，可以帮助我们更高效地处理和分析数据。
总结起来，本文介绍了如何使用Pandas的pipe函数根据一个已存在的列计算出两个新列的方法。通过使用这个方法，我们可以方便地处理和转换数据，并将计算后的结果存储在DataFrame中。希望本文对你理解和使用Pandas提供的功能有所帮助。
问题的原因是在给数据框创建新列时，使用了不推荐的方法，并且使用了较慢的方法。解决方法是使用更快的向量化操作来直接赋值，或者使用Cython来优化循环的性能。
在给数据框创建新列时，可以使用apply方法，但是这种方法的性能较慢。在一个示例中，使用apply方法对包含10000000个数字的Series进行平方操作的时间是3.3秒，而直接使用向量化操作只需要66毫秒，速度提升了50倍。
另一种解决方法是使用Cython来优化循环的性能。通过将循环中的操作用Cython编写，可以显著提高性能。在示例中，使用Cython优化后的循环操作时间为72.7毫秒，比使用apply方法快了4倍。
另外，还可以直接使用向量化操作来创建新列，这种方法利用了NumPy的快速向量化操作，比循环更加高效。在示例中，直接使用向量化操作的时间为5.13毫秒，比使用apply方法快了30倍。
总结起来，避免使用apply方法可以提高性能。可以选择使用向量化操作或者使用Cython来优化循环的性能。但是需要注意，在某些特定情况下，使用apply或者applymap方法可能是必要的，比如对数据框的每个元素应用特定函数的情况。
问题的出现原因是用户想要在一个DataFrame中创建两个新列，这两个新列的值是从一个已存在的列计算得出的。解决方法是使用Pandas的zip函数和map方法来实现。
代码如下：
from pandas import *
def calculate(x):
return x*2, x*3
df = DataFrame({'a': [1,2,3], 'b': [2,3,4]})
df["A1"], df["A2"] = zip(*df["a"].map(calculate))
上述代码首先定义了一个calculate函数，该函数接受一个参数x，并返回x的两倍和三倍。然后创建了一个DataFrame对象df，该对象包含两列，分别是'a'和'b'列，每列的值分别为[1,2,3]和[2,3,4]。接下来通过使用zip函数和map方法，将calculate函数应用于'a'列，并将结果分别赋给'A1'和'A2'列。最后，输出DataFrame对象df，可以看到新创建的两列'A1'和'A2'的值分别为[2,4,6]和[3,6,9]。
在的问题中，还有其他一些相关的内容。首先，有一个用户提到在文档中没有找到类似的用法，这可能是因为该用法在文档的版本中不存在。其次，有用户提出了一个性能问题，问在使用map函数时，使用zip(*map(calculate,df["a"]))和zip(*df["a"].map(calculate"))是否有差别。最后，有用户在创建新列时收到一个警告，警告信息为"A value is trying to be set on a copy of a slice from a DataFrame. Try using .loc[row_indexer,col_indexer] = value instead."，并询问是否需要担心这个警告。
以上是对问题出现原因和解决方法的整理。