嗨,我有一个 pandas 数据框,我有一个 A 列。
data = pandas.DataFrame()
data['A']= [numpy.random.choice([1,2,3,4,5,6]) for i in range(10)]
我想在 A 上添加 B 列条件(当 A =1 然后 B=0,当 A>5 然后 B=1)而不是使用:
data.loc[data['A']==1,'B']=0
data.loc[data['A']>5, 'B']=1
这里我想创建一个函数来执行此操作,给定条件作为字典:{'A=1':0,'A>5':1} 所以我可以使用 add_column({'A=1': 0,'A>5':1}, 'B') 来执行上面的代码。我认为与运营商打交道很棘手,有什么好主意吗?
def add_column(condition_dict, NewColumnName):
pass
最佳答案
虽然可能有有效的方法,但一种可能的方法是使用 eval
函数。
创建输入df
:
import pandas as pd
import numpy as np
data = pd.DataFrame()
data['A']= [np.random.choice([1,2,3,4,5,6]) for i in range(10)]
print(data)
输入df
:
A
0 4
1 3
2 3
3 1
4 1
5 2
6 3
7 6
8 2
9 1
现在,创建了一个函数,它迭代
dataframe
和condition_dict
的每一行,当row
评估匹配 value
存储在相应行的列表中,该行已为 新列
更新。如果所有条件都不匹配,则默认情况下它将 None
:
def add_column(df, condition_dict, NewColumnName):
new_values = []
for index, row in df.iterrows():
# if none of the condition matches then put default value
default_value = None
# iterate through each condition to check if any matches
for key, value in condition_dict.items():
expression = 'row.' + key
if(eval(expression)):
default_value = value
# add corresponding rows new value for new column
new_values.append(default_value)
df[NewColumnName] = new_values
现在,调用函数:
add_column(data, {'A==1':0, 'A>5':1}, 'B')
print(data)
输出:
A B
0 4 NaN
1 3 NaN
2 3 NaN
3 1 0.0
4 1 0.0
5 2 NaN
6 3 NaN
7 6 1.0
8 2 NaN
9 1 0.0
关于python - 将字符串解析为过滤 Pandas 数据框的条件,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44937009/