Pandas: Доступ к столбцам DataFrame по целочисленной переменной

Узнайте, как использовать целочисленные переменные в качестве имен столбцов в pandas DataFrame. Полное руководство с примерами кода, обработкой ошибок и лучшими практиками для доступа к данным по целочисленным именам столбцов.

Авторы: НейроАгент

20.11.2025, 09:51

Как использовать целочисленную переменную в качестве имени столбца в pandas DataFrame

Мне нужно взять целочисленное входное значение, присвоить его переменной, а затем использовать эту переменную в качестве имени столбца для извлечения данных из pandas DataFrame.

Пример данных:

   1   10  20  30
   2   40  50  60

Шаги, которые я пытаюсь реализовать:

Присвоить значение переменной:
```
Введите значение: 1
x = 1
```
Использовать эту переменную (x) в качестве имени столбца:
```
A = df[x]
```
Вывести результат:
```
print(A)
```

Как правильно использовать целочисленную переменную в качестве имени столбца в pandas для доступа к данным DataFrame?

В pandas вы действительно можете использовать целочисленную переменную в качестве имени столбца, но необходимо убедиться, что имя столбца правильно ссылается. Проблема часто возникает из-за того, что pandas требует передачи имени столбца в правильном формате.

Вот как правильно реализовать ваши шаги:

python

# Создание примера DataFrame
import pandas as pd

# Создание DataFrame с целочисленными именами столбцов
data = {
    1: [10, 40],
    10: [20, 50], 
    20: [30, 60]
}
df = pd.DataFrame(data, index=[1, 2])

# Шаг 1: Получение пользовательского ввода и присвоение переменной
x = int(input("Введите значение: "))  # Например, ввод 1

# Шаг 2: Использование переменной в качестве имени столбца
A = df[x]  # Это работает, если x соответствует существующему имени столбца

# Шаг 3: Вывод результата
print(A)

Если вы столкнулись с проблемами, вот ключевые решения:

Базовый доступ к целочисленным столбцам

При работе с DataFrame, имеющими целочисленные имена столбцов, вы можете напрямую использовать целочисленные переменные:

python

import pandas as pd

# DataFrame с целочисленными именами столбцов
df = pd.DataFrame({
    1: [10, 40],
    2: [20, 50],
    3: [30, 60]
}, index=['строка1', 'строка2'])

# Использование целочисленной переменной
col_num = 2
column_data = df[col_num]  # Возвращает второй столбец
print(column_data)

Это работает, потому что pandas рассматривает целые числа как допустимые имена столбцов, когда они существуют в столбцах DataFrame.

Распространенные проблемы и решения

Проблема 1: Ошибка “столбец не найден”
Если вы получаете KeyError, это означает, что целое число не соответствует ни одному имени столбца:

python

# Решение: Сначала проверьте существование столбца
x = 5
if x in df.columns:
    A = df[x]
else:
    print(f"Столбец {x} не найден")

Проблема 2: Проблемы с преобразованием типов
Иногда pandas ожидает строки даже для целочисленных столбцов:

python

# Решение: При необходимости преобразуйте в строку
x = 1
try:
    A = df[x]  # Прямой доступ
except KeyError:
    A = df[str(x)]  # Откат к строке

Проблема 3: Создание DataFrame с целочисленными столбцами
Убедитесь, что ваш DataFrame правильно создан с целочисленными именами столбцов:

python

# Правильный способ создания DataFrame с целочисленными столбцами
data = {
    1: [10, 20],
    2: [30, 40]
}
df = pd.DataFrame(data)

Альтернативные методы доступа

Использование .loc с целочисленными столбцами:

python

x = 1
A = df.loc[:, x]  # Явный выбор столбца

Использование .iloc с позицией (не рекомендуется для этого случая):

python

# Это доступ по позиции, а не по имени
position = 0  # Первый столбец
A = df.iloc[:, position]

Использование метода get() со значением по умолчанию:

python

x = 1
A = df.get(x, None)  # Возвращает None, если столбец не существует

Лучшие практики

Проверяйте существование столбца перед доступом:

python

def get_column_by_int(df, col_int):
    """Получение столбца DataFrame по целочисленному имени"""
    if col_int in df.columns:
        return df[col_int]
    else:
        raise ValueError(f"Столбец {col_int} не найден в DataFrame")

# Использование
try:
    result = get_column_by_int(df, 1)
    print(result)
except ValueError as e:
    print(e)

Используйте проверку типов для надежности:

python

def safe_column_access(df, col_name):
    """Безопасный доступ к столбцу по имени, обработка и int, и str"""
    if isinstance(col_name, int) and col_name in df.columns:
        return df[col_name]
    elif isinstance(col_name, str) and col_name in df.columns:
        return df[col_name]
    else:
        raise KeyError(f"Столбец {col_name} не найден")

Документируйте структуру вашего DataFrame:

python

# Создайте функцию для отображения доступных столбцов
def show_integer_columns(df):
    """Отображение всех целочисленных имен столбцов"""
    int_cols = [col for col in df.columns if isinstance(col, int)]
    print(f"Доступные целочисленные столбцы: {int_cols}")
    return int_cols

# Использование
available_cols = show_integer_columns(df)

Полные рабочие примеры

Пример 1: Интерактивный доступ к столбцам

python

import pandas as pd

# Создание примера DataFrame
df = pd.DataFrame({
    1: [10, 40, 70],
    2: [20, 50, 80],
    3: [30, 60, 90]
}, index=['А', 'Б', 'В'])

print("DataFrame:")
print(df)
print("\nДоступные столбцы:", list(df.columns))

# Получение пользовательского ввода
try:
    x = int(input("Введите номер столбца (1, 2 или 3): "))
    if x in df.columns:
        result = df[x]
        print(f"\nДанные столбца {x}:")
        print(result)
    else:
        print(f"Ошибка: Столбец {x} не существует")
except ValueError:
    print("Пожалуйста, введите целое число")

Пример 2: Пакетная обработка с целочисленными столбцами

python

import pandas as pd

# Пример бизнес-данных - квартальные продажи
sales_data = {
    2021: [100000, 120000, 110000, 130000],
    2022: [110000, 125000, 115000, 140000],
    2023: [120000, 130000, 125000, 150000]
}
sales_df = pd.DataFrame(sales_data, 
                       index=['Q1', 'Q2', 'Q3', 'Q4'])

def analyze_year(df, year):
    """Анализ данных для конкретного года"""
    if year in df.columns:
        year_data = df[year]
        print(f"\nДанные продаж за {year} год:")
        print(year_data)
        print(f"Общие продажи: ${year_data.sum():,}")
        print(f"Средние продажи: ${year_data.mean():,.0f}")
        return year_data
    else:
        print(f"Данные за {year} год отсутствуют")
        return None

# Анализ нескольких лет
years_to_analyze = [2021, 2022, 2023, 2024]  # 2024 продемонстрирует обработку ошибок
for year in years_to_analyze:
    analyze_year(sales_df, year)

Пример 3: Функция динамического выбора столбцов

python

import pandas as pd

# Создание DataFrame со смешанными типами столбцов
mixed_df = pd.DataFrame({
    1: ['А', 'Б', 'В'],
    '2': ['Х', 'Y', 'Z'],  # Строковое представление целого числа
    3.5: [1.1, 2.2, 3.3]  # Столбец с плавающей точкой
}, index=[10, 20, 30])

def get_column_by_type(df, identifier):
    """
    Получение столбца по идентификатору, обработка разных типов
    Возвращает данные столбца, если найден, иначе None
    """
    # Проверка, существует ли идентификатор как есть
    if identifier in df.columns:
        return df[identifier]
    
    # Попытка преобразования в строку, если исходный был int
    if isinstance(identifier, int):
        str_identifier = str(identifier)
        if str_identifier in df.columns:
            return df[str_identifier]
    
    # Попытка преобразования в int, если исходный был строкой
    if isinstance(identifier, str) and identifier.isdigit():
        int_identifier = int(identifier)
        if int_identifier in df.columns:
            return df[int_identifier]
    
    return None

# Тестирование функции
print("Доступные столбцы:", list(mixed_df.columns))
print("\nТестирование доступа к столбцам:")

# Тест с целым числом
result1 = get_column_by_type(mixed_df, 1)
print(f"Столбец 1: {result1}")

# Тест со строковым целым числом
result2 = get_column_by_type(mixed_df, '2')
print(f"Столбец '2': {result2}")

# Тест с несуществующим столбцом
result3 = get_column_by_type(mixed_df, 99)
print(f"Столбец 99: {result3}")

Ключевое понимание заключается в том, что pandas позволяет использовать целочисленные имена столбцов, но необходимо убедиться, что тип переменной точно соответствует тому, что находится в списке столбцов DataFrame. Всегда проверяйте существование столбца перед попыткой доступа, чтобы избежать исключений KeyError.

Источники

Заключение

Чтобы эффективно использовать целочисленную переменную в качестве имени столбца в pandas DataFrame:

Прямой доступ работает, когда целое число точно соответствует имени столбца: df[x], где x - целое число
Всегда проверяйте существование столбца перед доступом, чтобы избежать KeyError: if x in df.columns: df[x]
Обрабатывайте несоответствия типов, пытаясь как целочисленные, так и строковые представления
Используйте надежные функции для производственного кода, которые обрабатывают крайние случаи
Документируйте структуру вашего DataFrame, чтобы сделать имена столбцов понятными для других разработчиков

Подход, который вы пытаетесь реализовать, будет работать идеально, как только вы убедитесь, что целочисленная переменная точно соответствует имени столбца. Начните с простой проверки и постепенно добавляйте более надежную обработку ошибок для производственных сред.

Авторы

НейроАгент

Автор

Проверено модерацией

НейроОтветы

Модерация