本文概述
我们可以使用不同的方式将新列添加到现有DataFrame中。对于演示, 首先, 我们必须编写代码以读取现有文件, 该文件由DataFrame中的某些列组成。
import pandas as pd
aa = pd.read_csv("aa.csv")
aa.head()
上面的代码读取了现有的csv文件, 并将数据值列显示为输出。
输出
Name
Hire Date
Salary
Leaves Remaining
0 John Idle
03/15/14
50000.0
10
1 Smith Gilliam
06/01/15
65000.0
8
2 Parker Chapman
05/12/14
45000.0
10
3 Jones Palin
11/01/13
70000.0
3
4 Terry Gilliam
08/12/14
48000.0
7
5 Michael Palin
05/23/13
66000.0
8
使用[]运算符将新列添加到DataFrame
如果要在表末尾添加任何新列, 则必须使用[]运算符。让我们在” aa” csv文件中添加一个名为” Age”的新列。
import pandas as pd
aa = pd.read_csv("aa.csv")
aa["Age"] = "24"
aa.head()
此代码在aa csv文件的末尾添加了”年龄”列。因此, 添加列后的新表将如下所示：
Name           Hire Date    Salary    Leaves Remaining  Age
0  John Idle        03/15/14    50000.0     10              24
1  Smith Gilliam    06/01/15    65000.0     8               24
2  Parker Chapman   05/12/14    45000.0     10              24
3  Jones Palin      11/01/13    70000.0     3               24
4  Terry Gilliam    08/12/14    48000.0     7               24
5  Michael Palin    05/23/13    66000.0     8               24
在上面的代码中, Age值定义了通用值, 这意味着其值对于所有行都是通用的。如果我们指定的列名不存在, Pandas将抛出错误。
例如：
aa["Designation"]
在上面的代码中, Pandas将引发错误, 因为”指定”列不存在。
但是, 如果我们为该列分配一个值, Pandas将在表末尾自动生成一个新列。
使用insert()在DataFrame中添加新列
我们还可以使用方法名称插入在现有DataFrame中的任何位置添加一个新列。
对于演示, 首先, 我们必须编写代码以读取由DataFrame中的某些列组成的现有文件。
import pandas as pd
aa = pd.read_csv("aa.csv")
aa.head()s
上面的代码读取了现有的csv文件, 并在输出中显示了data values列。
输出
Name           Hire Date   Salary    Leaves Remaining
0  John Idle       03/15/14    50000.0    10
1  Smith Gilliam   06/01/15    65000.0    8
2  Parker Chapman  05/12/14    45000.0    10
3  Jones Palin     11/01/13    70000.0    3
4  Terry Gilliam   08/12/14    48000.0    7
5  Michael Palin   05/23/13    66000.0    8
让我们使用插入方法将新列名称”部门”添加到现有的” aa” csv文件中。
import pandas as pd
aa = pd.read_csv("aa.csv")
aa.insert(2, column = "Department", value = "B.Sc")
aa.head()
输出
Name            Hire Date   Department   Salary    Leaves Remaining
0  John Idle       03/15/14     B.Sc        50000.0    10
1  Smith Gilliam   06/01/15     B.Sc        65000.0    8
2  Parker Chapman  05/12/14     B.Sc        45000.0    10
3  Jones Palin     11/01/13     B.Sc        70000.0    3
4  Terry Gilliam   08/12/14     B.Sc        48000.0    7
5  Michael Palin   05/23/13     B.Sc        66000.0    8

我想从entrytable中选择列文本的内容.
EXPLAIN SELECT text
FROM entrytable
WHERE user = 'username' &&
`status` = '1' && (
`status_spam_user` = 'no_spam'
|| (
`status_spam_user` = 'neutral' &&
`status_spam_system` = 'neutral'
)
)
ORDER BY datum DESC
LIMIT 6430 , 10
该表有三个指数：
> index_user(用户)
> index_datum(datum)
> index_status_mit_spam(status,status_spam_user,status_spam_system)
EXPLAIN结果是：
id  select_type     table       type    possible_keys                       key         key_len     ref     rows    Extra
1   SIMPLE          entrytable  ref     index_user,index_status_mit_spam    index_user  32          const   7800    Using where; Using filesort
> might_keys是MySQL可能想要使用的索引并键入MySQL实际使用的索引吗？
>为什么不使用索引index_status_mit_spam？在查询中,列的顺序与索引中的顺序相同,…
>为什么索引index_datum不用于ORDER BY？
>如何优化表索引或查询？ (上面的查询需要最多3秒钟,表中有大约一百万个条目)

MyISAM表中行的最大大小为65,534字节。每个BLOB和TEXT列
账户只占其中的5至9个字节。
这是手册上的，varchar(0)应该最大值就是0，你存不进去东西，应该就是一个null，回头我测试下。
下面是mysql手册上写的很详细。字符串类型的存储需求
列类型    存储需求
CHAR(M)    M个字节，0 <= M <= 255
VARCHAR(M)    L+1个字节，其中L <= M 且0 <= M <= 65535(参见下面的注释)
BINARY(M)    M个字节，0 <= M <= 255
VARBINARY(M)    L+1个字节，其中L <= M 且0 <= M <= 255
TINYBLOB, TINYTEXT    L+1个字节，其中L 
BLOB, TEXT    L+2个字节，其中L 
MEDIUMBLOB, MEDIUMTEXT    L+3个字节，其中L 
LONGBLOB, LONGTEXT    L+4个字节，其中L 
ENUM('value1','value2',...)    1或2个字节，取决于枚举值的个数(最多65,535个值)
SET('value1','value2',...)    1、2、3、4或者8个字节，取决于set成员的数目(最多64个成员)

优质回答 回答者：jayjay
R平方就是拟合优度指标，代表了回归平方和(方差分析表中的0.244)占总平方和(方差分析表中的0.256)的比例，也称为决定系数。你的R平方值为0.951，表示X可以解释95.1%的Y值，拟合优度很高，尤其是在这么大的样本量(1017对数据点)下更是难得。
系数表格列出了自变量的显著性检验结果(使用单样本T检验)。截距项(0.000006109)的显著性为0.956(P值)，表明不能拒绝截距为0的原假设；回归系数(X项)为0.908，其显著性为0.000(表明P值小于0.0005，而不是0。想看到具体的数值，可以双击该表格，再把鼠标定位于对应的格子)，拒绝回归系数0.908(X项)为0的原假设，也就是回归系数不为0；标准化回归系数用于有多个自变量情况下的比较，标准化回归系数越大，该自变量的影响力越大。由于你的数据仅有一个自变量，因此不需要参考这项结果。
对于线性回归，我在百度还有其他的回答，你可以搜索进行补充。
-----------------------------------------------------------------
回答者：huyang159753
拟合程度：调整的R方，0.951，显著；
方程的显著性：Anova方差检验(F检验)，P值=0，方差不具有齐性，说明变量存在差异，适合回归；
系数的显著性检验：T检验：常数项的P值=0.956，接受常数项为0的原假设，方程的常数项为0；
X的系数检验P值=0，拒绝系数为0的原假设，变量X的系数为0.98.
-----------------------------------------------------------------
回答者：物流助手
模型是显著的
x也是显著的
我替别人做这类的数据分析蛮多的
TAGS： 回归系数