Summary  
This chapter covers how to use the insert() method to add a new column at a specified position in a DataFrame, modifying it in place.  

General domain of usage  
Data analysis

Als Nächstes wird eine weitere Möglichkeit vorgestellt, eine Spalte zu einem `DataFrame` hinzuzufügen, und zwar mit der Methode `insert()`. Mit dieser Methode kann die **Position** der neuen Spalte innerhalb des `DataFrame` festgelegt werden.

Watch this video to see a step-by-step demonstration of how to use the insert() method to add a new column to a DataFrame in Python. You'll learn how to specify the exact position of the new column and understand how this method differs from other ways of adding columns. The video visually reinforces the concepts and code you've just practiced, making it easier to remember and apply the insert() method in your own projects.

```python
df.insert(column_index, 'column_name', [value_1, value_2, value_3])
```

- `df`: Name des bestehenden DataFrames;
- `insert()`: Methode zum Hinzufügen neuer Spalten;
- `column_index`: Position, an der die neue Spalte eingefügt wird (beachte, dass die Indizierung bei **0** beginnt);
- `column_name`: Name der neuen Spalte;
- `[value_1, value_2, value_3]`: Werte, mit denen die neue Spalte gefüllt wird.

Im Fokus steht das DataFrame `countries`. Füge eine neue Spalte mit dem Namen `'population'` hinzu, die die Bevölkerungszahlen der Länder darstellt, und zwar direkt nach der ersten Spalte (`'country'`).


import pandas as pd
countries_data = {'country' : ['Thailand', 'Philippines', 'Monaco', 'Malta', 'Sweden', 'Paraguay', 'Latvia'],
          'continent' : ['Asia', 'Asia', 'Europe', 'Europe', 'Europe', 'South America', 'Europe'],
          'capital':['Bangkok', 'Manila', 'Monaco', 'Valletta', 'Stockholm', 'Asuncion', 'Riga']}
countries = pd.DataFrame(countries_data)

countries.insert(1, 'population', [61399000, 75967000, 39244, 380200, 10380491, 5496000, 2424200])
print(countries)

import unittest
import importlib


# Helper function to dynamically generate test names and assertions
def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)


class TestUserCode(unittest.TestCase):

    def test_audi_cars_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'audi_cars'),
            "The `audi_cars` variable is declared.",
            "Expected `audi_cars` variable to be declared."
        )

    def test_audi_cars_is_dataframe(self):
        import user_code
        import pandas as pd
        try:
            condition = isinstance(user_code.audi_cars, pd.DataFrame)
            failure_message = f"Expected `audi_cars` to be a `DataFrame`, but got `{type(user_code.audi_cars).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `audi_cars` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "The variable `audi_cars` is a `DataFrame`.",
            failure_message
        )

    def test_audi_cars_columns_correct(self):
        import user_code
        try:
            expected_columns = ['model', 'year', 'price', 'fueltype']
            actual_columns = list(user_code.audi_cars.columns)
            condition = actual_columns == expected_columns
            failure_message = f"Expected `audi_cars` columns to be `{expected_columns}`, but got `{actual_columns}`."

        except TypeError:
            condition = False
            failure_message = f"`audi_cars` is not a `DataFrame`."

        except AttributeError:
            condition = False

            if not getattr(user_code, 'audi_cars', None):
                failure_message = "The `audi_cars` variable is not declared."
            else:
                failure_message = f"`audi_cars` is not a `DataFrame`."

        _dynamic_test(
            self,
            condition,
            f"`audi_cars` has the correct columns.",
            failure_message
        )

    def test_price_column_correct_values(self):
        import user_code
        expected_values = [12500, 16500, 16800, 17300, 13900]
        try:
            actual_values = user_code.audi_cars['price'].tolist()
            condition = actual_values == expected_values
            failure_message = f"Expected `price` column values to be `{expected_values}`, but got `{actual_values}`."

        except TypeError:
            condition = False
            failure_message = f"`audi_cars` is not a `DataFrame`."

        except AttributeError:
            condition = False
            failure_message = "The `audi_cars` variable is not declared."

        except KeyError:
            condition = False
            failure_message = "The `price` column is missing in the `audi_cars` `DataFrame`."

        _dynamic_test(
            self,
            condition,
            f"The `price` column contains the correct values.",
            failure_message
        )

    def test_insert_method_used(self):
        with open('user_code.py', 'r') as file:
            user_code_source = file.read()
        condition = ".insert(" in user_code_source
        failure_message = "Expected the `.insert()` method to be used to add the `'price'` column."

        _dynamic_test(
            self,
            condition,
            "The `.insert()` method is used to add the `'price'` column.",
            failure_message
        )


# Run the tests when executing the script
if __name__ == '__main__':
    unittest.main()

test_main.py

Pandas ist eine äußerst benutzerfreundliche Bibliothek für die Datenanalyse. Sie ist zudem darauf ausgelegt, große Datensätze mithilfe von Datenstrukturen wie DataFrame und Series zu verarbeiten. Dadurch ist sie ein unverzichtbares Werkzeug für Data Science. In diesem Leitfaden lernen Sie verschiedene statistische Funktionen kennen, einschließlich der Ermittlung von Korrelationen, Modalwerten, Mediane sowie maximalen und minimalen Werten innerhalb eines Datensatzes. Sie erfahren außerdem, wie fehlende Werte behandelt und spezifische Werte manipuliert sowie entfernt werden können.

Tauchen Sie ein in die Grundlagen der pandas-Bibliothek. Erstellung und Manipulation von Series und DataFrames, Untersuchung ihrer Struktur sowie Aufbau von Sicherheit bei der Durchführung grundlegender Datenoperationen.

Erlernen Sie das Laden und Verwalten von Daten aus CSV- und TXT-Dateien. Sammeln Sie praktische Erfahrungen beim Importieren von Datensätzen und deren Vorbereitung für die weitere Analyse mit den Werkzeugen von pandas.

Erlernen Sie das effektive Erkunden, Bereinigen und Zusammenfassen von Daten. Verstehen Sie den Umgang mit fehlenden Werten, das Gewinnen von Erkenntnissen und das Durchführen grundlegender statistischer Operationen mit pandas.

Einfügen Einer Neuen Spalte

Lösung