在数据处理中，常常会需要给数据添加一些列，比如计算出某一行的总和，或者根据已有的数据算出新的数据等等。在Pandas数据分析库中，我们可以轻易地实现给dataframe添加一列的功能。
一、dataframe加一列数据
在Pandas库中，我们可以通过将一个Series类型的数据插入到dataframe中，从而实现给dataframe加一列。这里演示一个简单的例子：在一个学生信息的dataframe中，我们添加一列记录学生的性别。
import pandas as pd
# 创建dataframe
df = pd.DataFrame({'姓名':['小明', '小红', '小华'], '年龄':[20, 21, 19]})
# 添加性别列
gender = pd.Series(['男', '女', '男'])
df['性别'] = gender
print(df)
输出结果如下：
姓名 年龄 性别
0 小明 20 男
1 小红 21 女
2 小华 19 男
我们首先创建了一个包含三行（三个学生）的dataframe，然后通过Series类型的数据`gender`，将性别信息添加到dataframe中。在输出结果中可以看到，dataframe中已经成功添加了新的一列。
二、dataframe增加一列索引
在Pandas库中，每一个dataframe和series对象都有一个索引（index）属性，它用来标识每一个元素（行或列）在数据集中的位置。在给dataframe添加新列时，我们可以通过修改索引值的方式来实现。
# 创建dataframe，指定索引为学生的编号（001、002、003）
df = pd.DataFrame({'姓名':['小明', '小红', '小华'], '年龄':[20, 21, 19]}, index=['001', '002', '003'])
# 添加性别列
gender = pd.Series(['男', '女', '男'], index=['001', '002', '003'])
df['性别'] = gender
print(df)
输出结果如下：
姓名 年龄 性别
001 小明 20 男
002 小红 21 女
003 小华 19 男
我们通过设置索引为学生的编号，来标识每个学生在数据集中的位置。然后通过设置相同的索引值，来实现将性别信息添加到dataframe中。
三、dataframe加一列自增长复制
除了手动将数据插入到dataframe中，我们还可以通过使用`range`函数生成一组自增长的数据，然后再赋值给已有的dataframe中的新列。这里我们演示一下怎么生成一组自增长的数据，在dataframe中添加新列。
# 创建dataframe
df = pd.DataFrame({'姓名':['小明', '小红', '小华'], '年龄':[20, 21, 19]})
# 添加id列（自增长）
df['id'] = range(1, len(df)+1)
print(df)
输出结果如下：
姓名 年龄 id
0 小明 20 1
1 小红 21 2
2 小华 19 3
我们通过使用`range`函数生成了一个从1到dataframe数据行数+1的自增长序列，然后将其赋值给新的列'id'。这样我们就成功地在dataframe中添加了一列新的自增长数据。
四、dataframe添加一列数据
在dataframe中添加一列数据，最常用的方法就是将新的值插入到一个新的series中，然后将这个series作为新的列加入到dataframe中。
# 创建dataframe
df = pd.DataFrame({'姓名':['小明', '小红', '小华'], '年龄':[20, 21, 19]})
# 添加身高数据列
height = [175, 165, 172]
df['身高'] = height
print(df)
输出结果如下：
姓名 年龄 身高
0 小明 20 175
1 小红 21 165
2 小华 19 172
我们使用了常规的列表形式来添加新的身高数据列。在添加完之后，我们可以通过打印出整个dataframe来确认新的列是否添加成功。
五、dataframe修改数据
有时候我们需要修改已有的dataframe中的数据，比如对某一行、某一列的数据进行修改。Pandas库中提供了`loc`和`iloc`两个方法，可以让我们非常方便地实现修改已有数据的功能。
# 创建dataframe
df = pd.DataFrame({'姓名':['小明', '小红', '小华'], '年龄':[20, 21, 19], '身高':[175, 165, 172]})
# 修改小红的身高数据
df.loc[1, '身高'] = 168
print(df)
输出结果如下：
姓名 年龄 身高
0 小明 20 175
1 小红 21 168
2 小华 19 172
我们使用`loc`方法定位到‘小红’这一行，并将‘身高’这一列的数据修改为168。在最后打印整个dataframe时，我们可以看到已经成功地修改了对应的数据。
六、python dataframe增加一列
当我们需要求出某一列的总和、均值等统计信息时，我们需要在dataframe中加入一列统计数据。Pandas库中提供了各种聚合函数，可以满足我们所有的需求。
# 创建dataframe
df = pd.DataFrame({'科目':['语文', '数学', '英语'], '成绩':[90, 85, 92]})
# 添加统计数据列（平均分）
average = df['成绩'].mean()
df['平均分'] = average
print(df)
输出结果如下：
科目 成绩 平均分
0 语文 90 89.000000
1 数学 85 89.000000
2 英语 92 89.000000
我们使用`mean()`方法求出了‘成绩’这一列的平均分，并将其赋值给新的列‘平均分’。在打印结果中，我们可以看到新的一列统计数据已经成功地添加到了dataframe中。
七、dataframe插入数据
在dataframe中插入数据并不是一种常见的情况，但是有时有这种需求的时候，我们可以使用`insert`函数来实现。
# 创建dataframe
df = pd.DataFrame({'姓名':['小明', '小红', '小华'], '年龄':[20, 21, 19], '性别':['男', '女', '男']})
# 插入身高数据列（在年龄列的后面）
height = [175, 165, 172]
df.insert(2, '身高', height)
print(df)
输出结果如下：
姓名 年龄 身高 性别
0 小明 20 175 男
1 小红 21 165 女
2 小华 19 172 男
我们使用了`insert`函数，将身高数据列插入到了‘年龄’这一列的后面，插入时需要指定插入的位置（列索引）和插入的列名称。在输出结果中，我们可以看到新的一列成功地插入到了dataframe中。
八、dataframe加一列并且赋值为0
有时候我们需要先将新的一列添加到dataframe中，然后将整列数据赋值为0，这时我们可以通过先创建一个全0的series类型数据，然后将其插入到dataframe中，从而实现在dataframe中添加新的全0列。
# 创建dataframe
df = pd.DataFrame({'姓名':['小明', '小红', '小华'], '年龄':[20, 21, 19], '性别':['男', '女', '男']})
# 添加全0列（成绩）
score = pd.Series(data=0, index=df.index)
df['成绩'] = score
print(df)
输出结果如下：
姓名 年龄 性别 成绩
0 小明 20 男 0
1 小红 21 女 0
2 小华 19 男 0
我们使用了`pd.Series`的用法生成了一个全为0的series类型数据，并将其添加到dataframe中，从而得到了新的全0列‘成绩’。在输出结果中，我们可以看到新的列已经成功地添加到了dataframe中。
九、dataframe加一列并且赋值为bool
在一些数据挖掘的场景中，我们需要根据某些条件创建新的列，并将该列赋值为bool类型的值。在Pandas库中，我们可以使用`loc`方法来实现这一功能。
# 创建dataframe
df = pd.DataFrame({'姓名':['小明', '小红', '小华'], '年龄':[20, 21, 19], '性别':['男', '女', '男']})
# 添加新列male，如果性别为男则为True，否则为False
df.loc[df['性别']=='男', 'male'] = True
df.loc[df['性别']=='女', 'male'] = False
print(df)
输出结果如下：
姓名 年龄 性别 male
0 小明 20 男 True
1 小红 21 女 False
2 小华 19 男 True
我们使用了两个`loc`方法，判断性别为‘男’的行，将新的列‘male’赋值为True，否则赋值为False。在输出结果中，我们可以看到已经成功地创建了新的bool类型的列‘male’。
