Python 字典理解在存储的数据帧中创建新列

我有一个字典，里面的值是数据帧。我想在每个数据帧中创建新列。我可以很容易地使用for循环，但我希望使用一种更具python风格的方法。词典理解似乎是一种理想的方法。使用字典理解如何做到这一点

df1 = pd.DataFrame(data =[['2013',98],['2014',100],['2015',110],
                          ['2016',110],['2017',115]],
                   columns = ['Year','Value'])
df2 = pd.DataFrame(data =[['2013',85],['2014',90],['2015',95],
                          ['2016',97],['2017',99]],
                   columns = ['Year','Value'])
df3 = pd.DataFrame(data =[['2013',30],['2014',28],['2015',25],
                          ['2016',28],['2017',32]],
                   columns = ['Year','Value'])

d1 = {}
d1['df1'] = df1
d1['df2'] = df2
d1['df3'] = df3

for k in d1.keys():
    d1[k]['shifted'] = d1[k]['Value'].shift(2)

---

您可以创建一个在字典理解中调用的小助手函数：

def add_shifted_col(df):
    df['shifted'] = df['Value'].shift(2)
    return df

{k: add_shifted_col(v) for k, v in d1.items()}

编辑：词典理解创建一个新词典。要使用此更新原始文件，您可以调用：

d1.update({k: add_shifted_col(v) for k, v in d1.items()})

若您只想有条件地向数据帧的选择中添加额外的序列，例如

update_these = ['df2', 'df3']
d1.update({k: add_shifted_col(v) for k, v in d1.items() if k in update_these})

---

在本例中，将向df2和df3添加一个额外的系列，但不会更改df1。

您可以创建一个在字典理解中调用的小辅助函数：

def add_shifted_col(df):
    df['shifted'] = df['Value'].shift(2)
    return df

{k: add_shifted_col(v) for k, v in d1.items()}

编辑：词典理解创建一个新词典。要使用此更新原始文件，您可以调用：

d1.update({k: add_shifted_col(v) for k, v in d1.items()})

若您只想有条件地向数据帧的选择中添加额外的序列，例如

update_these = ['df2', 'df3']
d1.update({k: add_shifted_col(v) for k, v in d1.items() if k in update_these})

---

在此示例中，将向df2和df3添加一个额外的系列，但不会更改df1。

您可以使用

键尝试
concat

l=[df1,df2,df3]
newdf=pd.concat(l,keys=['df1','df2','df3'])
newdf['shifted']=newdf.groupby(level=0).Value.shift(2)
newdf
Out[437]: 
       Year  Value  shifted
df1 0  2013     98      NaN
    1  2014    100      NaN
    2  2015    110     98.0
    3  2016    110    100.0
    4  2017    115    110.0
df2 0  2013     85      NaN
    1  2014     90      NaN
    2  2015     95     85.0
    3  2016     97     90.0
    4  2017     99     95.0
df3 0  2013     30      NaN
    1  2014     28      NaN
    2  2015     25     30.0
    3  2016     28     28.0
    4  2017     32     25.0

获取df1

newdf.loc['df1']
Out[438]: 
   Year  Value  shifted
0  2013     98      NaN
1  2014    100      NaN
2  2015    110     98.0
3  2016    110    100.0
4  2017    115    110.0

您可以尝试使用
concat
和
键

l=[df1,df2,df3]
newdf=pd.concat(l,keys=['df1','df2','df3'])
newdf['shifted']=newdf.groupby(level=0).Value.shift(2)
newdf
Out[437]: 
       Year  Value  shifted
df1 0  2013     98      NaN
    1  2014    100      NaN
    2  2015    110     98.0
    3  2016    110    100.0
    4  2017    115    110.0
df2 0  2013     85      NaN
    1  2014     90      NaN
    2  2015     95     85.0
    3  2016     97     90.0
    4  2017     99     95.0
df3 0  2013     30      NaN
    1  2014     28      NaN
    2  2015     25     30.0
    3  2016     28     28.0
    4  2017     32     25.0

获取df1

newdf.loc['df1']
Out[438]: 
   Year  Value  shifted
0  2013     98      NaN
1  2014    100      NaN
2  2015    110     98.0
3  2016    110    100.0
4  2017    115    110.0

您不需要列表/目录理解，因为您将为数据帧分配某些内容（一个新列），而无法在列表理解中进行分配。我想到的最简单的方法是使用
dfs=[df1，df2，df3]
和dfs中df的简单for循环
：df['shift']=df['Value']。shift（2）
您不需要列表/目录理解，因为您将为数据帧分配某些内容（一个新列），并且无法在列表理解中分配。我想到的最简单的方法是使用dfs=[df1，df2，df3]

和dfs中df的简单for循环

：df['shift']=df['Value']。shift（2）

谢谢你的回答。我很欣赏有条件地选择数据帧的额外示例。我希望字典理解能允许在没有辅助函数的情况下使用函数，但是这个解决方案很好用，而且非常可读。谢谢你的回答。我很欣赏有条件地选择数据帧的额外示例。我希望字典理解能允许在没有辅助函数的情况下使用函数，但是这个解决方案很好用，而且很容易阅读。我有一个问题。提前谢谢，@YOBEN_SI有个问题。提前谢谢，@YOBEN_