如何为含不同数据类型列的空pandas DataFrame添加新行？

嘿，这个问题我之前也踩过坑！其实核心问题是空DataFrame初始化时，指定的dtype可能没被正确锁定，或者用列表直接append时pandas没法自动匹配列的类型要求。给你几个实用的解决方案，按推荐程度排序：

方法1：用字典构造新行 + append（简单单行添加） #

首先确保初始化DataFrame时就明确指定每列的dtype，然后用字典来构造新行（键对应列名，值对应对应类型的数据），最后append时加上ignore_index=True重置索引：

import pandas as pd
import datetime

# 初始化时明确指定列的dtype
df = pd.DataFrame([], columns=["A", "B"], dtype={"A": float, "B": "datetime64[ns]"})

# 用字典构造符合类型要求的新行
new_row = {"A": 1.5, "B": datetime.datetime(2024, 5, 20)}

# 添加行到原DataFrame
df = df.append(new_row, ignore_index=True)

字典的方式能让pandas精准匹配列和对应数据类型，避免类型不兼容的问题。

方法2：用concat合并小DataFrame（推荐，尤其是批量添加） #

因为pandas 2.0+版本里append已经被标记为弃用了，官方更推荐用concat。你可以把要添加的行做成一个小的DataFrame，然后和原DataFrame合并：

# 构造单行的小DataFrame，同样指定dtype
new_row_df = pd.DataFrame(
    [[2.3, datetime.datetime(2024, 5, 21)]],
    columns=["A", "B"],
    dtype={"A": float, "B": "datetime64[ns]"}
)

# 合并到原DataFrame，记得加ignore_index=True
df = pd.concat([df, new_row_df], ignore_index=True)

这个方法比逐行append效率高很多，尤其是需要添加多行的时候。

方法3：先添加再转换类型（应急方案） #

如果初始化时没指定dtype，或者已经有了空DataFrame，也可以先添加行，再手动转换列的类型：

# 假设已经有了未指定dtype的空DataFrame
df = pd.DataFrame([], columns=["A", "B"])

new_row = {"A": 3.7, "B": datetime.datetime(2024, 5, 22)}
df = df.append(new_row, ignore_index=True)

# 手动转换列类型
df["A"] = df["A"].astype(float)
df["B"] = pd.to_datetime(df["B"])

不过这个方法不推荐用于大量数据，因为类型转换会额外消耗资源。

批量添加的最优解 #

如果要添加很多行，建议先把所有行存在一个列表里，最后一次性构造DataFrame，这样效率最高：

rows_list = []
# 往列表里添加符合要求的字典
rows_list.append({"A": 4.2, "B": datetime.datetime(2024, 5, 23)})
rows_list.append({"A": 5.1, "B": datetime.datetime(2024, 5, 24)})

# 一次性构造DataFrame并指定dtype
df = pd.DataFrame(rows_list, columns=["A", "B"], dtype={"A": float, "B": "datetime64[ns]"})

内容的提问来源于stack exchange，提问作者Axioms