Pandas2.2 DataFrame
Binary operator functions
| 方法 | 描述 |
|---|---|
| DataFrame.add(other) | 用于执行 DataFrame 与另一个对象（如 DataFrame、Series 或标量）的逐元素加法操作 |
| DataFrame.add(other, axis, level, fill_value) | 用于执行 DataFrame 与另一个对象（如 DataFrame、Series 或标量）的逐元素加法操作 |
| DataFrame.sub(other, axis, level, fill_value) | 用于执行逐元素的减法操作 |
| DataFrame.mul(other, axis, level, fill_value) | 用于执行逐元素的乘法操作 |
| DataFrame.div(other, axis, level, fill_value) | 用于执行逐元素的除法操作 |
| DataFrame.truediv(other, axis, level, ...) | 用于执行逐元素的真除法操作 |
| DataFrame.floordiv(other, axis, level, ...) | 用于执行逐元素的地板除法操作 |
| DataFrame.mod(other, axis, level, fill_value) | 用于执行逐元素的取模操作 |
| DataFrame.pow(other, axis, level, fill_value) | 用于对 DataFrame 中的元素进行幂运算 |
| DataFrame.dot(other) | 用于计算两个 DataFrame（或 DataFrame 与 Series/数组）之间的**矩阵点积（矩阵乘法）**的方法 |
| DataFrame.radd(other, axis, level, fill_value) | 用于执行反向加法运算 |
pandas.DataFrame.radd()
pandas.DataFrame.radd 方法用于执行反向加法运算。具体来说，它相当于调用 other + self，其中 self 是调用该方法的 DataFrame。以下是该方法的参数说明及其功能：
参数说明
- other: 用于进行加法运算的值，可以是标量、序列、DataFrame 或字典。
- axis : 指定沿哪个轴进行运算。
0或'index'表示沿行进行运算，1或'columns'表示沿列进行运算。默认为1。 - level : 如果
other是一个 MultiIndex，则指定沿哪个级别进行运算。默认为None。 - fill_value : 用于填充缺失值的值。默认为
None。
示例及结果
示例 1: 使用标量进行反向加法运算
python
import pandas as pd
df = pd.DataFrame({
'A': [1, 2, 3],
'B': [4, 5, 6],
'C': [7, 8, 9]
})
print("原始 DataFrame:")
print(df)
result = df.radd(10)
print("\n反向加法后的 DataFrame (使用 radd 并指定标量 10):")
print(result)结果:
原始 DataFrame:
A B C
0 1 4 7
1 2 5 8
2 3 6 9
反向加法后的 DataFrame (使用 radd 并指定标量 10):
A B C
0 11 14 17
1 12 15 18
2 13 16 19示例 2: 使用序列进行反向加法运算
python
import pandas as pd
df = pd.DataFrame({
'A': [1, 2, 3],
'B': [4, 5, 6],
'C': [7, 8, 9]
})
other = pd.Series([1, 2, 3])
print("原始 DataFrame:")
print(df)
result = df.radd(other, axis=0)
print("\n反向加法后的 DataFrame (使用 radd 并指定序列):")
print(result)结果:
原始 DataFrame:
A B C
0 1 4 7
1 2 5 8
2 3 6 9
反向加法后的 DataFrame (使用 radd 并指定序列):
A B C
0 2 5 8
1 3 7 10
2 4 8 12示例 3: 使用 DataFrame 进行反向加法运算
python
import pandas as pd
df = pd.DataFrame({
'A': [1, 2, 3],
'B': [4, 5, 6],
'C': [7, 8, 9]
})
other_df = pd.DataFrame({
'A': [1, 2, 3],
'B': [4, 5, 6],
'C': [7, 8, 9]
})
print("原始 DataFrame:")
print(df)
result = df.radd(other_df)
print("\n反向加法后的 DataFrame (使用 radd 并指定 DataFrame):")
print(result)结果:
原始 DataFrame:
A B C
0 1 4 7
1 2 5 8
2 3 6 9
反向加法后的 DataFrame (使用 radd 并指定 DataFrame):
A B C
0 2 8 14
1 4 10 16
2 6 12 18示例 4: 使用字典进行反向加法运算
python
import pandas as pd
df = pd.DataFrame({
'A': [1, 2, 3],
'B': [4, 5, 6],
'C': [7, 8, 9]
})
other_dict = {'A': 1, 'B': 2, 'C': 3}
print("原始 DataFrame:")
print(df)
result = df.radd(other_dict)
print("\n反向加法后的 DataFrame (使用 radd 并指定字典):")
print(result)结果:
原始 DataFrame:
A B C
0 1 4 7
1 2 5 8
2 3 6 9
反向加法后的 DataFrame (使用 radd 并指定字典):
A B C
0 2 6 10
1 3 7 11
2 4 8 12解释
-
使用标量进行反向加法运算:
df.radd(10)计算 DataFramedf中的每个元素与标量10的加法。- 结果是一个新的 DataFrame，其中每个元素是
df中的元素与10的和。
-
使用序列进行反向加法运算:
df.radd(other, axis=0)计算 DataFramedf的每一行与序列other的对应元素的加法。- 结果是一个新的 DataFrame，其中每个元素是
df的每一行与other的对应元素的和。
-
使用 DataFrame 进行反向加法运算:
df.radd(other_df)计算 DataFramedf与other_df的对应元素的加法。- 结果是一个新的 DataFrame，其中每个元素是
df与other_df的对应元素的和。
-
使用字典进行反向加法运算:
df.radd(other_dict)计算 DataFramedf的每一列与字典other_dict中对应键的值的加法。- 结果是一个新的 DataFrame，其中每个元素是
df的每一列与other_dict中对应键的值的和。
这些示例展示了 DataFrame.radd 方法的不同用法及其效果。根据具体需求，可以选择合适的参数来进行反向加法运算。