pandasで新しい列を追加する方法｜df[‘列名’]・assign・条件付き列追加を初心者向けに解説

CSVを読み込んだあとに、次のように思ったことはありませんか。

  • 「単価」と「数量」から「売上」列を作りたい
  • 点数から「合格」「不合格」の判定列を作りたい
  • 日付列から「月」だけを取り出した列を作りたい
  • df['列名'] = ...、assign()、loc、insert() のどれを使えばよいかわからない
  • 列を追加したはずなのに、元のDataFrameに反映されない

Pandasで新しい列を追加するとき、初心者はまず df['列名'] = 入れたい値 という考え方を覚えるのがおすすめです。

# 基本形（説明用）
# df['列名'] = 入れたい値

既存列から計算したい場合は、次のように書きます。

df['売上'] = df['単価'] * df['数量']

この記事では、Pandasで新しい列を追加する基本、既存列から計算列を作る方法、条件に応じて分類列を作る方法、assign()・loc・insert() の使い分け、反映されない原因を初心者向けに整理します。

最初からすべての書き方を覚える必要はありません。まずは 普通の列追加は df['列名'] = ...、条件で分けるときは np.where() または loc、処理をつなげたいときは assign() という大枠を押さえれば十分です。

この記事でわかること

この記事では、次の内容を学びます。

  • Pandasで新しい列を追加する基本形
  • 固定値・計算結果・条件判定を新しい列として追加する方法
  • df['列名']、assign()、loc、insert() の使い分け
  • 新しい列が反映されない原因と確認ポイント
  • 追加した列を value_counts() や groupby() に活かす流れ

PandasのDataFrameそのものがまだ不安な場合は、先に「Pandas DataFrame入門」で、行・列・インデックスの基本を確認しておくと理解しやすくなります。

先にイメージ：新しい列を追加すると何が変わるのか

新しい列を追加するとは、今あるDataFrameに「分析しやすい情報」を増やすことです。

たとえば、次のように考えるとイメージしやすくなります。

処理前 追加する列 処理後にできること
商品・単価・数量 がある 売上 商品ごとの金額を確認できる
点数 がある 判定 合格・不合格の件数を数えられる
購入日 がある 購入月 月別に集計しやすくなる
カテゴリ がある 分類メモ 集計や確認の目印にできる

つまり、列追加は「表を横に広げる操作」ですが、目的は列を増やすこと自体ではありません。

次の確認・集計・可視化で使いやすい形にすることが目的です。

Pandas DataFrame入門シリーズでの位置づけ

このページは、Pandasでデータ分析を進めるための前処理記事です。

CSVを読み込んだあと、列名を整えたり、型を直したり、欠損値や表記ゆれを確認したりします。その後で、分析しやすいように「売上」「判定」「月」などの新しい列を作ることがあります。

新しい列を追加できるようになると、value_counts() で件数を確認したり、groupby() で集計したり、Matplotlibでグラフ化したりしやすくなります。

先に結論：新しい列を追加するときの使い分け

新しい列を追加するときは、目的に合わせて書き方を選びます。

ただし、最初から難しく考えなくて大丈夫です。初心者は、まず次の優先度で覚えると迷いにくくなります。

優先度 やりたいこと おすすめの書き方 使う場面
1 新しい列を普通に追加したい df['列名'] = 入れたい値 一番基本。初心者はまずこれでOK
2 既存列から計算列を作りたい df['新列'] = df['列A'] * df['列B'] 単価×数量、売上−費用など
3 条件で値を分けたい np.where() または loc 合格/不合格、高い/低いなど
4 メソッドチェーンで書きたい assign() 処理をつなげて書きたいとき
5 列の位置を指定したい insert() 先頭や特定の位置に列を入れたいとき

初心者が最初に覚えるべき基本は、次の形です。

# 基本形（説明用）
# df['列名'] = 入れたい値

この記事では、まず df['列名'] = ... を中心に理解し、そのあとで assign()、loc、insert() を「必要な場面だけ」使い分ける流れで解説します。

サンプルデータを作成する

ここでは、CSV読み込み後を想定した小さな売上データを使います。

実務では read_csv() でCSVファイルを読み込むことが多いですが、この記事ではGoogle Colabですぐ試せるように、コード内でDataFrameを作成します。

CSVの読み込みから確認したい場合は、「Google Colab CSV読み込み＆保存入門」もあわせて確認してください。

import pandas as pd
import numpy as np

df = pd.DataFrame({
    "商品": ["ノート", "ペン", "ファイル", "電卓", "ふせん"],
    "カテゴリ": ["文房具", "文房具", "文房具", "事務用品", "文房具"],
    "単価": [120, 80, 200, 1500, 100],
    "数量": [3, 10, 2, 1, 5],
    "点数": [72, 55, 88, 91, 60],
    "購入日": ["2026-04-01", "2026-04-02", "2026-04-03", "2026-04-04", "2026-04-05"]
})

df
商品 カテゴリ 単価 数量 点数 購入日
0 ノート 文房具 120 3 72 2026-04-01
1 ペン 文房具 80 10 55 2026-04-02
2 ファイル 文房具 200 2 88 2026-04-03
3 電卓 事務用品 1500 1 91 2026-04-04
4 ふせん 文房具 100 5 60 2026-04-05

このDataFrameには、商品名、カテゴリ、単価、数量、点数、購入日が入っています。

ここから、次のような新しい列を追加していきます。

追加したい列 作り方の例 目的
メモ 固定値を入れる 全行に同じ情報を付ける
売上 単価 × 数量 分析用の計算列を作る
判定 点数が60点以上なら合格 条件に応じた分類列を作る
購入月 購入日から月を取り出す 日付を集計しやすくする

このあと、固定値・計算列・条件付き列の順に確認します。

基本：df['列名'] = 入れたい値 で列を追加する

Pandasで新しい列を追加する基本形は、次のように考えます。

# 基本形（説明用）
# df['列名'] = 入れたい値

左側に追加したい列名を書き、右側に入れたい値を書きます。

まずは、全ての行に同じ値を入れる簡単な例から見てみましょう。

df_basic = df.copy()

df_basic["メモ"] = "確認済み"

df_basic
商品 カテゴリ 単価 数量 点数 購入日 メモ
0 ノート 文房具 120 3 72 2026-04-01 確認済み
1 ペン 文房具 80 10 55 2026-04-02 確認済み
2 ファイル 文房具 200 2 88 2026-04-03 確認済み
3 電卓 事務用品 1500 1 91 2026-04-04 確認済み
4 ふせん 文房具 100 5 60 2026-04-05 確認済み

メモ という新しい列が追加され、全ての行に 確認済み が入りました。

このように、1つの値を指定すると、DataFrameの全行に同じ値が入ります。

処理前の列 処理後の列
商品、カテゴリ、単価、数量、点数、購入日 商品、カテゴリ、単価、数量、点数、購入日、メモ

列を追加するだけなら、この書き方がもっともシンプルです。

固定値を入れた列を追加する

固定値の列は、全ての行に同じラベルやメモを付けたいときに使います。

たとえば、データの出所や処理状態を残したい場合です。

df_fixed = df.copy()

df_fixed["データ種別"] = "サンプル"

df_fixed
商品 カテゴリ 単価 数量 点数 購入日 データ種別
0 ノート 文房具 120 3 72 2026-04-01 サンプル
1 ペン 文房具 80 10 55 2026-04-02 サンプル
2 ファイル 文房具 200 2 88 2026-04-03 サンプル
3 電卓 事務用品 1500 1 91 2026-04-04 サンプル
4 ふせん 文房具 100 5 60 2026-04-05 サンプル

データ種別 列が追加され、全ての行に サンプル が入りました。

固定値を入れる列追加は、次のような場面で使えます。

  • 複数のCSVを結合する前に、どのファイル由来かを示したい
  • 処理済みデータに 確認済み などのメモを入れたい
  • サンプルデータと本番データを区別したい

ただし、列を追加しすぎるとDataFrameが見づらくなります。必要な列だけを追加する意識も大切です。

既存列から計算列を作る

新しい列追加で特によく使うのが、既存列を使って計算列を作る方法です。

たとえば、単価 と 数量 から 売上 列を作る場合は、次のように書きます。

df_sales = df.copy()

df_sales["売上"] = df_sales["単価"] * df_sales["数量"]

df_sales
商品 カテゴリ 単価 数量 点数 購入日 売上
0 ノート 文房具 120 3 72 2026-04-01 360
1 ペン 文房具 80 10 55 2026-04-02 800
2 ファイル 文房具 200 2 88 2026-04-03 400
3 電卓 事務用品 1500 1 91 2026-04-04 1500
4 ふせん 文房具 100 5 60 2026-04-05 500

売上 列が追加され、単価 × 数量 の結果が入りました。

処理前 処理後
単価と数量はあるが、売上はない 単価と数量から売上列を作成
商品ごとの合計金額がすぐには見えない 商品ごとの売上が確認しやすい

このような計算列は、集計や可視化の前処理としてよく使います。

たとえば、あとでカテゴリ別の売上を集計したい場合、先に 売上 列を作っておくと groupby() につなげやすくなります。

df_sales.groupby("カテゴリ")["売上"].sum()
売上
カテゴリ
事務用品 1500
文房具 2060

このように、新しい列を追加する目的は、単に列を増やすことではありません。

分析しやすい形にデータを整えることが目的です。

数値計算がうまくいかない場合は、列が文字列型になっている可能性があります。その場合は、astype() などで型を確認・変換してから計算する流れになります。

条件に応じて分類列を追加する

次に、条件に応じて値を変える列を追加します。

たとえば、点数 が60点以上なら 合格、60点未満なら 不合格 とする 判定 列を作ります。

初心者には、まず np.where() がわかりやすいです。

df_result = df.copy()

df_result["判定"] = np.where(df_result["点数"] >= 60, "合格", "不合格")

df_result
商品 カテゴリ 単価 数量 点数 購入日 判定
0 ノート 文房具 120 3 72 2026-04-01 合格
1 ペン 文房具 80 10 55 2026-04-02 不合格
2 ファイル 文房具 200 2 88 2026-04-03 合格
3 電卓 事務用品 1500 1 91 2026-04-04 合格
4 ふせん 文房具 100 5 60 2026-04-05 合格

点数 に応じて、判定 列が追加されました。

処理前 処理後
点数だけがある 点数から合格/不合格がわかる
条件を毎回見ないと判断できない 判定列で分類しやすい

np.where() は、次の形で考えると理解しやすいです。

# 基本形（説明用）
# np.where(条件, 条件に合うときの値, 条件に合わないときの値)

今回の場合は、次の意味になります。

np.where(df_result["点数"] >= 60, "合格", "不合格")

条件付きで列を追加すると、あとで value_counts() で件数を確認しやすくなります。

df_result["判定"].value_counts()
count
判定
合格 4
不合格 1

このように、分類列を追加してから件数を確認すると、データ全体の特徴をつかみやすくなります。

条件に合う行を抽出する方法を詳しく知りたい場合は、「pandas 条件抽出」の記事につなげると理解しやすいです。今回の記事では、抽出そのものではなく「条件に応じて列の値を作る」ことに絞ります。

日付列から月を作る例｜詳しい日付変換はto_datetime記事へ

日付データでは、日付そのものだけでなく、月や曜日を取り出して新しい列にすることがあります。

ここでは、列追加の例として 購入日 から 購入月 を作ります。

日付変換そのものを詳しく解説する章ではなく、日付型に変換したあと、新しい列を作ると分析しやすくなる という位置づけで確認します。

df_date = df.copy()

df_date["購入日"] = pd.to_datetime(df_date["購入日"])
df_date["購入月"] = df_date["購入日"].dt.month

df_date
商品 カテゴリ 単価 数量 点数 購入日 購入月
0 ノート 文房具 120 3 72 2026-04-01 4
1 ペン 文房具 80 10 55 2026-04-02 4
2 ファイル 文房具 200 2 88 2026-04-03 4
3 電卓 事務用品 1500 1 91 2026-04-04 4
4 ふせん 文房具 100 5 60 2026-04-05 4

購入日 から 購入月 列を作ることができました。

日付列を使う場合は、先に pd.to_datetime() で日付型に変換しておくと、.dt.month のような日付用の操作が使いやすくなります。

ただし、この記事の中心は「新しい列を追加する方法」です。日付変換の詳しい考え方、format、errors='coerce'、NaT の扱いは、別記事の「pandas to_datetime()」で確認してください。

df['列名']・assign()・loc・insert()の違い

ここまで見てきたように、列追加の基本は df['新しい列'] = ... です。

ただし、Pandasには他にも列を追加する方法があります。初心者が混乱しやすいので、違いを表で整理します。

書き方 主な用途 初心者向けの考え方
df['新しい列'] = ... 普通に列を追加・上書きする まず覚える基本形
assign() 新しいDataFrameとして列を追加する メソッドチェーン向き
loc 条件に合う行だけ値を入れる 条件付きの代入に便利
insert() 指定した位置に列を追加する 列の場所にこだわるときだけ使う

基本は df['新しい列'] = ... で十分です。

assign()、loc、insert() は、必要になったときに使い分ければ大丈夫です。

assign()で新しい列を追加する

assign() は、新しい列を追加したDataFrameを返すメソッドです。

メソッドチェーンで処理をつなげたいときに便利です。

まずは、assign() で 売上 列を作ってみます。

df_assign = df.assign(
    売上 = df["単価"] * df["数量"]
)

df_assign
商品 カテゴリ 単価 数量 点数 購入日 売上
0 ノート 文房具 120 3 72 2026-04-01 360
1 ペン 文房具 80 10 55 2026-04-02 800
2 ファイル 文房具 200 2 88 2026-04-03 400
3 電卓 事務用品 1500 1 91 2026-04-04 1500
4 ふせん 文房具 100 5 60 2026-04-05 500

assign() でも、売上 列を追加できました。

ただし、ここで大事なのは、assign() は元のDataFrameを直接書き換えるというより、列を追加した新しいDataFrameを返すという点です。

そのため、元の df に反映したい場合は、次のように代入します。

df_assigned = df.copy()

df_assigned = df_assigned.assign(
    売上 = df_assigned["単価"] * df_assigned["数量"]
)

df_assigned
商品 カテゴリ 単価 数量 点数 購入日 売上
0 ノート 文房具 120 3 72 2026-04-01 360
1 ペン 文房具 80 10 55 2026-04-02 800
2 ファイル 文房具 200 2 88 2026-04-03 400
3 電卓 事務用品 1500 1 91 2026-04-04 1500
4 ふせん 文房具 100 5 60 2026-04-05 500

assign() は便利ですが、初心者のうちは次のように考えると迷いにくいです。

目的 おすすめ
普通に列を追加したい df['新しい列'] = ...
処理をつなげて書きたい assign()

assign() で lambda を使う書き方もありますが、この記事では深入りしません。

まずは、assign() は新しいDataFrameを返すため、元の変数に反映したいなら代入する という点を押さえましょう。ここは「列を追加したのに反映されない」と感じやすいポイントです。

insert()で列の位置を指定して追加する

insert() は、列を追加する位置を指定したいときに使います。

ただし、初心者が最初に覚えるべき方法ではありません。普通に列を追加するだけなら、df['新しい列'] = ... で十分です。

insert() は、作成した列を先頭や特定の位置に置きたい場合だけ使う、と考えると迷いにくくなります。

ここでは、先頭に No 列を追加してみます。

df_insert = df.copy()

df_insert.insert(0, "No", range(1, len(df_insert) + 1))

df_insert
No 商品 カテゴリ 単価 数量 点数 購入日
0 1 ノート 文房具 120 3 72 2026-04-01
1 2 ペン 文房具 80 10 55 2026-04-02
2 3 ファイル 文房具 200 2 88 2026-04-03
3 4 電卓 事務用品 1500 1 91 2026-04-04
4 5 ふせん 文房具 100 5 60 2026-04-05

insert(0, "No", ...) と書いたので、先頭に No 列が入りました。

insert() は次の形で使います。

# 基本形（説明用）
# df.insert(追加する位置, 列名, 入れたい値)

今回の場合は、次の意味です。

# 今回の例
# df_insert.insert(0, "No", range(1, len(df_insert) + 1))

ただし、列の位置を指定する必要がない場合は、無理に insert() を使わなくて大丈夫です。

locで条件に合う行だけ値を入れる

loc は、条件に合う行だけに値を入れたいときに使えます。

ここでは、まず全員を 確認中 にしてから、点数が60点以上の行だけ 合格 に変更してみます。

df_loc = df.copy()

df_loc["判定"] = "確認中"
df_loc.loc[df_loc["点数"] >= 60, "判定"] = "合格"
df_loc.loc[df_loc["点数"] < 60, "判定"] = "不合格"

df_loc
商品 カテゴリ 単価 数量 点数 購入日 判定
0 ノート 文房具 120 3 72 2026-04-01 合格
1 ペン 文房具 80 10 55 2026-04-02 不合格
2 ファイル 文房具 200 2 88 2026-04-03 合格
3 電卓 事務用品 1500 1 91 2026-04-04 合格
4 ふせん 文房具 100 5 60 2026-04-05 合格

loc を使うと、条件に合う行だけを指定して値を入れられます。

np.where() と loc のざっくりした使い分けは次の通りです。

方法 向いている場面
np.where() 2択の条件で列を作りたいとき
loc 条件に合う行だけあとから値を入れたいとき

どちらも条件付きで列を作る方法ですが、初心者はまず2択なら np.where()、条件に合う行へ段階的に値を入れたいなら loc と考えるとよいです。

新しい列が反映されない原因

Pandasで列を追加したつもりなのに、思ったように反映されないことがあります。

よくある原因を先に整理します。

原因 起きること 確認ポイント
代入していない 結果を表示しただけで元のDataFrameが変わらない df = ... と代入しているか
列名を打ち間違えた 意図しない別列ができる df.columns で列名を確認
既存列と同じ名前を使った 新規追加ではなく上書きになる 既存列名と重複していないか
値の長さが行数と合わない エラーになる リストの長さと行数が一致しているか
文字列の数値を計算した 計算結果が想定と違う df.dtypes で型を確認

ここから、代表的な例を確認します。

原因1：assign()の結果を代入していない

assign() は、新しいDataFrameを返します。

そのため、結果を元の変数に入れないと、元のDataFrameは変わりません。

df_miss = df.copy()

# これは新しいDataFrameを返しますが、df_missには代入していません
df_miss.assign(売上 = df_miss["単価"] * df_miss["数量"])

# df_miss自体には「売上」列が追加されていません
df_miss
商品 カテゴリ 単価 数量 点数 購入日
0 ノート 文房具 120 3 72 2026-04-01
1 ペン 文房具 80 10 55 2026-04-02
2 ファイル 文房具 200 2 88 2026-04-03
3 電卓 事務用品 1500 1 91 2026-04-04
4 ふせん 文房具 100 5 60 2026-04-05

元のDataFrameに反映したい場合は、次のように代入します。

df_miss = df.copy()

df_miss = df_miss.assign(売上 = df_miss["単価"] * df_miss["数量"])

df_miss
商品 カテゴリ 単価 数量 点数 購入日 売上
0 ノート 文房具 120 3 72 2026-04-01 360
1 ペン 文房具 80 10 55 2026-04-02 800
2 ファイル 文房具 200 2 88 2026-04-03 400
3 電卓 事務用品 1500 1 91 2026-04-04 1500
4 ふせん 文房具 100 5 60 2026-04-05 500

原因2：列名を打ち間違えて別の列ができる

df['列名'] = ... は、指定した列名が存在しない場合、新しい列を作ります。

これは便利ですが、列名を打ち間違えると、意図しない別列が作られることがあります。

df_typo = df.copy()

# 本当は「売上」としたいのに、「売り上げ」と書いてしまった例
df_typo["売り上げ"] = df_typo["単価"] * df_typo["数量"]

df_typo.columns
Index(['商品', 'カテゴリ', '単価', '数量', '点数', '購入日', '売り上げ'], dtype='object')

このようなときは、df.columns で列名を確認しましょう。

列名がわかりにくい場合は、先に rename() で列名を整えてから新しい列を作ると、ミスを減らしやすくなります。

原因3：既存列と同じ名前を書くと上書きになる

df['列名'] = ... は、新しい列を追加するだけでなく、既存列を上書きすることもできます。

たとえば、すでにある 単価 列に別の値を入れると、元の 単価 は上書きされます。

df_overwrite = df.copy()

# 既存の「単価」列を上書きしてしまう例
df_overwrite["単価"] = df_overwrite["単価"] * 1.1

df_overwrite
商品 カテゴリ 単価 数量 点数 購入日
0 ノート 文房具 132.0 3 72 2026-04-01
1 ペン 文房具 88.0 10 55 2026-04-02
2 ファイル 文房具 220.0 2 88 2026-04-03
3 電卓 事務用品 1650.0 1 91 2026-04-04
4 ふせん 文房具 110.0 5 60 2026-04-05

この例では、単価 が1.1倍されています。

これは意図していれば問題ありませんが、新しい列を作りたいだけなら、別の列名を使いましょう。

df['税込単価'] = df['単価'] * 1.1

上書きが不安な場合は、処理前に df.copy() でコピーを作って試すと安心です。

原因4：渡す値の長さが行数と合わない

新しい列にリストを入れる場合、リストの長さはDataFrameの行数と一致している必要があります。

次のコードは、行数とリストの長さが合わないため、エラーになります。

df_length = df.copy()

# このコードはエラーになります。
# df_lengthは5行ですが、リストは3個しかありません。
# df_length["ランク"] = ["A", "B", "C"]

エラーになる例はコメントアウトしています。

リストで列を追加する場合は、次のように行数と同じ長さにします。

df_length = df.copy()

df_length["ランク"] = ["B", "C", "A", "A", "B"]

df_length
商品 カテゴリ 単価 数量 点数 購入日 ランク
0 ノート 文房具 120 3 72 2026-04-01 B
1 ペン 文房具 80 10 55 2026-04-02 C
2 ファイル 文房具 200 2 88 2026-04-03 A
3 電卓 事務用品 1500 1 91 2026-04-04 A
4 ふせん 文房具 100 5 60 2026-04-05 B

行数と同じ長さのリストを渡すと、上から順番に値が入ります。

ただし、初心者のうちは、手作業で長いリストを作るより、既存列から計算したり、条件で作ったりする方がミスを減らしやすいです。

原因5：文字列の数値をそのまま計算しようとしている

CSVから読み込んだデータでは、数値に見えても文字列として扱われていることがあります。

文字列のまま計算しようとすると、思った結果にならないことがあります。

df_str = pd.DataFrame({
    "商品": ["A", "B", "C"],
    "単価": ["100", "200", "300"],
    "数量": [2, 3, 4]
})

df_str.dtypes
0
商品 object
単価 object
数量 int64

単価 が object になっている場合、文字列として扱われている可能性があります。

計算列を作る前に、数値型へ変換してから計算します。

df_str["単価"] = df_str["単価"].astype(int)
df_str["売上"] = df_str["単価"] * df_str["数量"]

df_str
商品 単価 数量 売上
0 A 100 2 200
1 B 200 3 600
2 C 300 4 1200

このように、列追加の前には、必要に応じて型を確認することも大切です。

型変換について詳しく知りたい場合は、「pandas astype()」の記事につなげると理解しやすくなります。

前処理・集計・可視化の流れで考える

新しい列を追加する操作は、単体で終わるものではありません。

データ分析では、次のような流れの中で使うことが多いです。

  1. CSVを読み込む
  2. head() や info() でデータを確認する
  3. rename() で列名を整える
  4. astype() や to_datetime() で型を整える
  5. fillna() や replace() で欠損値・表記ゆれを整える
  6. 新しい列を追加する
  7. value_counts() や groupby() で集計する
  8. Matplotlibで可視化する

つまり、新しい列を追加する処理は、確認済みのデータを、分析しやすい形に変える前処理です。

たとえば、この記事で作った 売上 列は、カテゴリ別の売上集計に使えます。

df_flow = df.copy()

df_flow["売上"] = df_flow["単価"] * df_flow["数量"]

category_sales = df_flow.groupby("カテゴリ")["売上"].sum()

category_sales
売上
カテゴリ
事務用品 1500
文房具 2060

また、判定 のような分類列を作ると、件数確認にも使えます。

df_flow["判定"] = np.where(df_flow["点数"] >= 60, "合格", "不合格")

df_flow["判定"].value_counts()
count
判定
合格 4
不合格 1

このように、新しい列は「分析しやすい形に整えるための前処理」として役立ちます。

単に列を増やすのではなく、次の集計・抽出・可視化で使うために列を作る、と考えると実務でも迷いにくくなります。

補足：apply()や複雑な書き方は最初から使わなくてもよい

列を追加する方法を調べると、apply() や assign() の lambda を使った例が出てくることがあります。

ただし、初心者が最初からこれらを多用する必要はありません。

まずは、次の方法で十分なことが多いです。

  • 普通の列追加：df['新しい列'] = ...
  • 既存列から計算：df['売上'] = df['単価'] * df['数量']
  • 2択の条件分岐：np.where()
  • 条件に合う行への代入：loc

なお、assign() では lambda を使って列を追加する書き方もあります。また、np.where() を重ねると複数条件にも対応できます。

ただし、これらは少し発展的です。初心者のうちは、まず df['列名'] = ...、np.where()、loc の基本を押さえてから学ぶのがおすすめです。

この記事では、複雑な apply()、lambda、複数条件の詳しい書き方には深入りせず、「新しい列を追加する基本」を優先します。

まとめ

この記事では、Pandasで新しい列を追加する方法を解説しました。

ポイントを整理します。

  • 新しい列を追加する基本は df['列名'] = 入れたい値
  • 既存列から計算列を作る場合は、df['売上'] = df['単価'] * df['数量'] のように書く
  • 条件に応じて値を分ける場合は、まず np.where() や loc を使う
  • assign() はメソッドチェーン向きだが、元のDataFrameに反映したい場合は代入が必要
  • insert() は列の位置を指定したいときに使う
  • 列が反映されない場合は、代入忘れ、列名ミス、既存列の上書き、値の長さ、型を確認する
  • 新しい列は、前処理・集計・可視化へ進むための準備として役立つ

初心者は、まず次の順番で覚えると迷いにくいです。

  1. 普通の列追加：df['列名'] = 入れたい値
  2. 既存列から計算列を作る：df['売上'] = df['単価'] * df['数量']
  3. 条件付き列を作る：np.where() または loc
  4. 必要に応じて：assign() や insert()

新しい列を作れるようになると、CSVを読み込んだあとの前処理だけでなく、value_counts()、groupby()、Matplotlibによる可視化にもつなげやすくなります。

次に読みたい関連記事

今回の記事とあわせて読むと、Pandasの前処理から集計までの流れが理解しやすくなります。

新しい列を追加する前に「列名」「型」「欠損値」「表記ゆれ」を整え、追加した列を value_counts() や groupby() に進める流れで読むのがおすすめです。

カテゴリから探す

▲ ページトップへ戻る

コメント

タイトルとURLをコピーしました