使用pandas包把数据结构写入Excel的时候,因为这个方法缺少了一个类似pd.to_csv()中的mode参数，以至于你每次用诸如pd.to_excel的形式取写入一个Excel的时候，系统都会帮你重新创建一个文件。也就是意味着前面的文件会被覆盖掉，你得到的只能是最后一个df写入的结果文件。

dataframe添加数据_dataframe添加一列数据

我们可以通过创建一个ExcelWriter对象，来完美解决上面的问题。

这个写入对象，会帮我们将DF写入到工作簿中

如果想把多个dataframe数据写在同一个工作簿的同一个表里面：利用strartcol和startrow

如果已经存在一个Excel文件，怎么填入数据。

你可以在R中直接call X，会看到已经改成你要的结果了，第一二列的名字都是“good”。

只是用View 函数查看X的时候，第二列会自动显示为“good.1"

通过cx_Oracle将 pd.dataframe 插入数据到oracle 数据库表 多值插入

笔者从外部获取dataframe类型的数据，尝试各种办法，要么各种报错，要么效率很低；

参照一海外大神文章，寥寥几句,完成任务

调用也简单，适用各种dataframe 的插入

【DataFrame/Dataset自定义新增加一列】

当我们需要将dataframe中的某一列数据装换为其它类型或者做一些其它的算法后，再新增加到datafram中时，最有效的方法是使用自定义的udf函数。本文的例子是将id列的数据转换为double类型，然后将该列数据增加到dataframe中

That's probably as efficient as any, but Pandas/numpy

structures are fundamentally not suited for efficiently growing. They

work best when they are created with a fixed size and stay that way. – BrenBarnDec 6 '12 at 20:43

append

is a wrapper for concat, so concat would be marginally more efficient,

but as @BrenBarn says Pandas is probably not appropriate for updating a

HDF5 file every second. If you absolutely need Pandas for some reason, could you collect a list of Series and update the file periodically instead? – Matti JohnDec 6 '12 at 20:54

Bren is right about numpy/pandas working best when preallocated. If memory is no constraint just preallocate a huge zeros array and append at the end of the program removing any excess zeros. Which I suppose is a bit of what Matti is saying. – arynaqDec 6 '12 at 21:16Intro to Data Structures

DataFrame is a 2-dimensional labeled data structure with columns of potentially different types.

所以一般说来dataframe就是a set of columns, each column is an array of values. In

pandas, the array is one way or another a (maybe variant of) numpy

ndarray. 而ndarray本身不存在一种in place

append的操作。。。因为它实际上是一段连续内存。。。任何需要改变ndarray长度的操作都涉及分配一段长度合适的新的内存，然后copy。。。

这是这类操作慢的原因。。。如果pandas dataframe没有用其他设计减少copy的话，我相信Bren说的"That's probably

as efficient as any"是很对的。。。

所以in general, 正如Bren说的。。。Pandas/numpy structures are fundamentally not suited for efficiently growing.

Matti 和 arynaq说的是两种常见的对付这个问题的方法。。。我想Matti实际的意思是把要加的rows收集成起来然后concatenate, 这样只copy一次。arynaq的方法就是预先分配内存比较好理解。。。

如果你真的需要incrementally build a dataframe的话，估计你需要实际测试一下两种方法。。。

我的建议是，如有可能，尽力避免incrementally build a dataframe, 比如用其他data structure 收集齐所有data然后转变成dataframe做分析。。。

顺便。。。这类问题上stackoverflow好得多。。

可以在pandas中创建一个空DataFrame的方法，类似于创建了一个空字典，之后向里面插入数据

例如：

empty =pandas.DataFrame({"name":"","age":"","sex":""})

想要向empty中插入一行数据。

（1）创建一个DataFrame。

new= pandas.DataFrame({"name":"","age":"","sex":""},index=["0"])。

（2）开始插值 ignore_index=True,可以帮助忽略index，自动递增。

empty.append(new,ignore_index=True)

（3）最重要的，赋值给empty.

empty= empty.append(new,ignore_index=True)

Python—padas(DataFrame)的常用操作

我们先说一下DataFrame是什么：

1、DataFrame是一种数据框结构,相当于是一个矩阵形式，单元格可以存放数值、字符串等，这和excel表很像；

2、DataFrame是有 行（index）和 列（columns）可以设置的；

有了示例，我们就能明白创建时需要传入数据，指定index（行索引名）和columns（列名）；

在我们需要将单个元素的字典直接转为DataFrame时，程序会报错，需要适当做些转换，指定行索引或者列索引才行；

在增加列的时候我们用到了一个索引loc，后面我们再详细对loc进行说明，此处先知道可以这样使用。

文本字符串数据处理之前，一定要先转为字符（.str）再进行处理

loc 和 iloc如果容易记混，你就取巧记忆，index是索引

所以iloc则是依据位置索引进行取数，没有i的则是按照名称进行提取数据

原谅我很懒，比较喜欢这样框架式的笔记，所以文字就会比较少(#^.^#)！！！

在Pandas的DataFrame中添加一行或者一列，添加行有 df.loc[] 以及 df.append() 这两种方法，添加列有 df[] 和 df.insert() 两种方法， 下面对这几种方法的使用进行简单介绍。

采用 loc[] 方法多适用于对空的dataframe循环遍历添加行，这样索引可以从0开始直到数据结果，不会存在索引冲突的问题。

不过在使用insert的过程中发现 454: DeprecationWarning: `input_splitter` is deprecated since IPython 7.0, prefer `input_transformer_manager`. status, indent_spaces = self.shell.input_splitter.check_complete(code) 这个提示，猜测是有别的地方出问题了，还需要调试。

主要参考资料：