向DataFrame添加新列可通过直接赋值、insert()或assign()方法实现；直接赋值最简单，insert()可指定位置，assign()可添加多列且不修改原数据；处理类型不匹配需提前转换数据类型，避免混合类型和缺失值影响；生成新列值可用apply()、map()或np.where()根据条件或函数计算。
向DataFrame添加新列，本质上就是给这个表格增加一个属性，就像给一个对象增加一个字段一样。Pandas提供了多种方式来实现，总的来说，核心在于理解DataFrame的结构，然后选择最适合你场景的方法。
直接赋值、
insert()函数、
assign()函数，这三个是比较常用的。直接赋值最简单粗暴，
insert()更灵活，可以指定插入位置，
assign()则可以一次性添加多列，而且不会修改原始DataFrame。
如何使用不同的方法向DataFrame添加新列？
直接赋值是最直接的方式。假设你有一个DataFrame叫做
df，你想添加一个名为
'new_column'的列，你可以直接这样写：
df['new_column'] = values，这里的
values可以是列表、Series或者一个标量值。如果是标量值，那么
new_column的所有行都会被赋值为这个标量值。
insert()函数允许你指定新列插入的位置。它的语法是
df.insert(loc, column, value, allow_duplicates=False)。
loc是插入位置的索引，
column是新列的名称，
value是列的值，
allow_duplicates表示是否允许列名重复。这个方法在需要控制列顺序的时候非常有用。
立即学习“Python免费学习笔记（深入）”；
assign()函数则返回一个新的DataFrame，其中包含了添加的新列。它的语法是
df.assign(new_column=values)。你可以一次性添加多列，例如
df.assign(new_column1=values1, new_column2=values2)。
assign()的一个优点是它不会修改原始DataFrame，这在某些情况下可以避免意外的副作用。
选择哪个方法取决于你的具体需求。如果你只是想简单地添加一列，直接赋值是最快的。如果你需要控制列的顺序，
insert()是更好的选择。如果你想一次性添加多列，并且不想修改原始DataFrame，
assign()是最佳选择。
如何处理添加新列时可能遇到的数据类型不匹配问题？
数据类型不匹配是添加新列时常见的问题。比如，你可能想添加一个整数列，但提供的值却是字符串。Pandas通常会自动进行类型转换，但这并不总是如你所愿。
要解决这个问题，首先要明确你期望的新列的数据类型。然后，在添加新列之前，确保提供的值具有正确的数据类型。你可以使用
astype()函数来转换数据类型。例如，
df['existing_column'].astype(int)可以将
existing_column转换为整数类型。
另一种情况是，你可能想添加一个混合类型的列，比如既包含数字又包含字符串。在这种情况下，Pandas会将该列的数据类型推断为
object。虽然这可以避免类型错误，但可能会影响性能。如果可能，尽量避免混合类型列，或者考虑将数据转换为更统一的类型。
还有一个需要注意的点是缺失值。如果你的数据中包含缺失值（NaN），Pandas会将包含缺失值的列的数据类型推断为
float。如果你想避免这种情况，可以使用
fillna()函数来填充缺失值。
如何使用函数来生成新列的值？
有时候，新列的值不是固定的，而是需要根据其他列的值来计算得出。这时，你可以使用函数来生成新列的值。
最常用的方法是使用
apply()函数。
apply()函数可以接受一个函数作为参数，并将该函数应用到DataFrame的每一行或每一列。例如，假设你有一个DataFrame叫做
df，其中包含
'column1'和
'column2'两列，你想添加一个名为
'new_column'的列，其值为
'column1'和
'column2'的和，你可以这样写：
def calculate_sum(row):
return row['column1'] + row['column2']
df['new_column'] = df.apply(calculate_sum, axis=1)这里的
axis=1表示将函数应用到每一行。
另一种方法是使用
map()函数。
map()函数可以将一个Series中的每个值映射到另一个值。例如，假设你有一个DataFrame叫做
df，其中包含
'column1'列，你想添加一个名为
'new_column'的列，其值为
'column1'中每个值的平方，你可以这样写：
df['new_column'] = df['column1'].map(lambda x: x**2)
选择哪个方法取决于你的具体需求。如果你的计算需要用到多列的值，
apply()是更好的选择。如果你的计算只需要用到一列的值，
map()通常更简洁。
还有一种更高级的方法是使用
np.where()函数。
np.where()函数可以根据条件来选择不同的值。例如，假设你有一个DataFrame叫做
df，其中包含
'column1'列，你想添加一个名为
'new_column'的列，如果
'column1'的值大于0，则
'new_column'的值为1，否则为0，你可以这样写：
import numpy as np df['new_column'] = np.where(df['column1'] > 0, 1, 0)
np.where()函数在处理复杂的条件逻辑时非常有用。
