Concat()似乎比上一行插入和重新索引快一些。 如果有人想知道两种顶级方法的速度:

In [x]: %%timeit
     ...: df = pd.DataFrame(columns=['a','b'])
     ...: for i in range(10000):
     ...:     df.loc[-1] = [1,2]
     ...:     df.index = df.index + 1
     ...:     df = df.sort_index()

每循环17.1 s±705 ms(平均±标准值7次运行，每循环1次)

In [y]: %%timeit
     ...: df = pd.DataFrame(columns=['a', 'b'])
     ...: for i in range(10000):
     ...:     df = pd.concat([pd.DataFrame([[1,2]], columns=df.columns), df])

每循环6.53 s±127 ms(平均±标准值7次运行，每循环1次)

不知道你是如何调用concat()，但它应该工作，只要两个对象是相同的类型。也许问题是你需要将你的第二个向量转换为一个数据框架?使用df，你定义了以下工作为我:

df2 = pd.DataFrame([[2,3,4]], columns=['A','B','C'])
pd.concat([df2, df])

这看起来可能过于简单，但令人难以置信的是，一个简单的插入新行函数没有内置。我读了很多关于追加一个新的df到原来的，但我想知道这是否会更快。

df.loc[0] = [row1data, blah...]
i = len(df) + 1
df.loc[i] = [row2data, blah...]

在pandas DataFrame中添加一行非常简单:

创建一个常规的Python字典，其列名与你的Dataframe相同; 使用pandas.append()方法并传入字典的名称，其中.append()是DataFrame实例上的方法; 在字典名称后面添加ignore_index=True。

我把一个简短的函数放在一起，在插入一行时允许更多的灵活性:

def insert_row(idx, df, df_insert):
    dfA = df.iloc[:idx, ]
    dfB = df.iloc[idx:, ]

    df = dfA.append(df_insert).append(dfB).reset_index(drop = True)

    return df

可以进一步缩写为:

def insert_row(idx, df, df_insert):
    return df.iloc[:idx, ].append(df_insert).append(df.iloc[idx:, ]).reset_index(drop = True)

然后你可以使用如下语句:

df = insert_row(2, df, df_new)

其中2是df中要插入df_new的索引位置。

我们可以使用numpy.insert。这具有灵活性的优点。您只需要指定要插入的索引。

s1 = pd.Series([5, 6, 7])
s2 = pd.Series([7, 8, 9])

df = pd.DataFrame([list(s1), list(s2)],  columns =  ["A", "B", "C"])

pd.DataFrame(np.insert(df.values, 0, values=[2, 3, 4], axis=0))

    0   1   2
0   2   3   4
1   5   6   7
2   7   8   9

np.insert (df。Values, 0, Values =[2,3,4]， axis=0)， 0告诉函数要放置新值的位置/索引。