Pandas 有条件地创建系列/数据框列
Posted
技术标签:
【中文标题】Pandas 有条件地创建系列/数据框列【英文标题】：Pandas conditional creation of a series/dataframe column 【发布时间】：2021-12-28 02:59:29 【问题描述】：我有一个如下所示的数据框：
Type Set
1 A Z
2 B Z
3 B X
4 C Y
我想将另一列添加到数据帧（或生成一系列），其长度与数据帧相同（记录/行数相等），如果Set == 'Z' 设置颜色'green'，如果@'red' 987654325@ 等于其他任何值。
最好的方法是什么？
【问题讨论】：
【参考方案1】：如果您只有两个选择：
df['color'] = np.where(df['Set']=='Z', 'green', 'red')
例如，
import pandas as pd
import numpy as np
df = pd.DataFrame('Type':list('ABBC'), 'Set':list('ZZXY'))
df['color'] = np.where(df['Set']=='Z', 'green', 'red')
print(df)
产量
Set Type color
0 Z A green
1 Z B green
2 X B red
3 Y C red
如果您有两个以上的条件，请使用np.select。例如，如果您希望 color 是
yellow 当(df['Set'] == 'Z') & (df['Type'] == 'A')
否则blue 当(df['Set'] == 'Z') & (df['Type'] == 'B')
否则purple(df['Type'] == 'B')
否则black,
然后使用
df = pd.DataFrame('Type':list('ABBC'), 'Set':list('ZZXY'))
conditions = [
(df['Set'] == 'Z') & (df['Type'] == 'A'),
(df['Set'] == 'Z') & (df['Type'] == 'B'),
(df['Type'] == 'B')]
choices = ['yellow', 'blue', 'purple']
df['color'] = np.select(conditions, choices, default='black')
print(df)
产生
Set Type color
0 Z A yellow
1 Z B blue
2 X B purple
3 Y C black
【讨论】：
必须使用numpy的原因是什么？ 这是pandas 构建的库。由于它已经具有此功能，因此无需 pandas 来实现它。
此代码现在（2022 年 1 月）返回 A value is trying to be set on a copy of a slice from a DataFrame. Try using .loc[row_indexer,col_indexer] = value instead【参考方案2】：
列表推导是另一种有条件地创建另一列的方法。如果您在列中使用对象 dtype，例如在您的示例中，列表推导通常优于大多数其他方法。
示例列表理解：
df['color'] = ['red' if x == 'Z' else 'green' for x in df['Set']]
%timeit 测试：
import pandas as pd
import numpy as np
df = pd.DataFrame('Type':list('ABBC'), 'Set':list('ZZXY'))
%timeit df['color'] = ['red' if x == 'Z' else 'green' for x in df['Set']]
%timeit df['color'] = np.where(df['Set']=='Z', 'green', 'red')
%timeit df['color'] = df.Set.map( lambda x: 'red' if x == 'Z' else 'green')
1000 loops, best of 3: 239 µs per loop
1000 loops, best of 3: 523 µs per loop
1000 loops, best of 3: 263 µs per loop
【讨论】：
请注意，对于更大的数据帧（想想pd.DataFrame('Type':list('ABBC')*100000, 'Set':list('ZZXY')*100000)-size），numpy.where 超过 map，但列表理解是王道（比 numpy.where 快大约 50%）。
如果条件需要多列信息，是否可以使用列表推导法？我正在寻找这样的东西（这不起作用）：df['color'] = ['red' if (x['Set'] == 'Z') & (x['Type'] == 'B') else 'green' for x in df]
将 iterrows 添加到数据框，然后您可以通过 row 访问多个列： ['red' if (row['Set'] == 'Z') & (row['Type'] = = 'B') else 'green' 用于索引，在 df.iterrows() 中的行]
请注意，如果您需要从数据框中的另一个系列中获取替换值，例如df['color_type'] = np.where(df['Set']=='Z', 'green', df['Type'])，这个不错的解决方案将不起作用
@cheekybastard 或者不要，因为.iterrows() 是出了名的迟钝，在迭代时不应该修改 DataFrame。【参考方案3】：
实现这一目标的另一种方法是
df['color'] = df.Set.map( lambda x: 'red' if x == 'Z' else 'green')
【讨论】：
【参考方案4】：以下比定时here的方法要慢，但是我们可以根据多列的内容计算额外的列，并且可以为额外的列计算两个以上的值。
仅使用“Set”列的简单示例：
def set_color(row):
if row["Set"] == "Z":
return "red"
else:
return "green"
df = df.assign(color=df.apply(set_color, axis=1))
print(df)
Set Type color
0 Z A red
1 Z B red
2 X B green
3 Y C green
考虑更多颜色和更多列的示例：
def set_color(row):
if row["Set"] == "Z":
return "red"
elif row["Type"] == "C":
return "blue"
else:
return "green"
df = df.assign(color=df.apply(set_color, axis=1))
print(df)
Set Type color
0 Z A red
1 Z B red
2 X B green
3 Y C blue
编辑（21/06/2019）：使用 plydata
也可以使用plydata 来做这种事情（不过这似乎比使用assign 和apply 还要慢）。
from plydata import define, if_else
简单if_else：
df = define(df, color=if_else('Set=="Z"', '"red"', '"green"'))
print(df)
Set Type color
0 Z A red
1 Z B red
2 X B green
3 Y C green
嵌套if_else:
df = define(df, color=if_else(
'Set=="Z"',
'"red"',
if_else('Type=="C"', '"green"', '"blue"')))
print(df)
Set Type color
0 Z A red
1 Z B red
2 X B blue
3 Y C green
【讨论】：
我们如何使用这种函数引用其他行？例如。if row["Set"].shift(1) == "Z":，但这不起作用
@ChrisDixon 据我所知，apply 只能看到一行或一列（取决于选择的轴），但不能看到当前处理的行或列之外的其他行或列。跨度>
【参考方案5】：
这是给这只猫换皮的另一种方法，使用字典将新值映射到列表中的键：
def map_values(row, values_dict):
return values_dict[row]
values_dict = 'A': 1, 'B': 2, 'C': 3, 'D': 4
df = pd.DataFrame('INDICATOR': ['A', 'B', 'C', 'D'], 'VALUE': [10, 9, 8, 7])
df['NEW_VALUE'] = df['INDICATOR'].apply(map_values, args = (values_dict,))
它是什么样子的：
df
Out[2]:
INDICATOR VALUE NEW_VALUE
0 A 10 1
1 B 9 2
2 C 8 3
3 D 7 4
当您要创建许多 ifelse-type 语句（即要替换许多唯一值）时，这种方法会非常强大。
当然你也可以这样做：
df['NEW_VALUE'] = df['INDICATOR'].map(values_dict)
但在我的机器上，这种方法比上面的 apply 方法慢三倍以上。
你也可以这样做，使用dict.get:
df['NEW_VALUE'] = [values_dict.get(v, None) for v in df['INDICATOR']]
【讨论】：
我喜欢这个答案，因为它展示了如何对值进行多次替换 但在我的机器上，这种方法比上面的 apply 方法慢三倍以上。 你是如何对这些进行基准测试的？根据我的快速测量，.map() 解决方案比.apply() 快约 10 倍。
更新：在 100,000,000 行，52 个字符串值上，.apply() 需要 47 秒，而 .map() 只需 5.91 秒。【参考方案6】：
您可以简单地使用强大的.loc 方法并根据需要使用一个或多个条件（使用pandas=1.0.5 测试）。
代码摘要：
df=pd.DataFrame(dict(Type='A B B C'.split(), Set='Z Z X Y'.split()))
df['Color'] = "red"
df.loc[(df['Set']=="Z"), 'Color'] = "green"
#practice!
df.loc[(df['Set']=="Z")&(df['Type']=="B")|(df['Type']=="C"), 'Color'] = "purple"
解释：
df=pd.DataFrame(dict(Type='A B B C'.split(), Set='Z Z X Y'.split()))
# df so far:
Type Set
0 A Z
1 B Z
2 B X
3 C Y
添加一个“颜色”列并将所有值设置为“红色”
df['Color'] = "red"
应用你的单一条件：
df.loc[(df['Set']=="Z"), 'Color'] = "green"
# df:
Type Set Color
0 A Z green
1 B Z green
2 B X red
3 C Y red
或多个条件，如果你想：
df.loc[(df['Set']=="Z")&(df['Type']=="B")|(df['Type']=="C"), 'Color'] = "purple"
您可以在此处阅读 Pandas 逻辑运算符和条件选择： Logical operators for boolean indexing in Pandas
【讨论】：
【参考方案7】：你可以使用pandas方法where和mask：
df['color'] = 'green'
df['color'] = df['color'].where(df['Set']=='Z', other='red')
# Replace values where the condition is False
或
df['color'] = 'red'
df['color'] = df['color'].mask(df['Set']=='Z', other='green')
# Replace values where the condition is True
或者，您可以将方法 transform 与 lambda 函数一起使用：
df['color'] = df['Set'].transform(lambda x: 'green' if x == 'Z' else 'red')
输出：
Type Set color
1 A Z green
2 B Z green
3 B X red
4 C Y red
来自@chai 的性能比较：
import pandas as pd
import numpy as np
df = pd.DataFrame('Type':list('ABBC')*1000000, 'Set':list('ZZXY')*1000000)
%timeit df['color1'] = 'red'; df['color1'].where(df['Set']=='Z','green')
%timeit df['color2'] = ['red' if x == 'Z' else 'green' for x in df['Set']]
%timeit df['color3'] = np.where(df['Set']=='Z', 'red', 'green')
%timeit df['color4'] = df.Set.map(lambda x: 'red' if x == 'Z' else 'green')
397 ms ± 101 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
976 ms ± 241 ms per loop
673 ms ± 139 ms per loop
796 ms ± 182 ms per loop
【讨论】：
也更快： import pandas as pd import numpy as np df = pd.DataFrame('Type':list('ABBC')*1000000, 'Set':list('ZZXY' )*1000000) %timeit df['color1'] = 'red'; df['color1'].where(df['Set']=='Z','green') %timeit df['color2'] = ['red' if x == 'Z' else 'green' for x in df['Set']] %timeit df['color3'] = np.where(df['Set']=='Z', 'red', 'green') %timeit df['color4'] = df.Set.map( lambda x: 'red' if x == 'Z' else 'green') 397 ms ± 101 ms 每个循环（平均值±标准差。7 次运行，每个循环 1 个循环）976 ms ±每个循环 241 毫秒 每个循环 673 毫秒 ± 139 毫秒 每个循环 796 毫秒 ± 182 毫秒 @chai 将您的评价添加到我的回答中。谢谢！【参考方案8】：.apply() 方法的一个班轮如下：
df['color'] = df['Set'].apply(lambda set_: 'green' if set_=='Z' else 'red')
之后，df 数据框如下所示：
>>> print(df)
Type Set color
0 A Z green
1 B Z green
2 B X red
3 C Y red
【讨论】：
【参考方案9】：如果您只有 2 个选择，请使用 np.where()
df = pd.DataFrame('A':range(3))
df['B'] = np.where(df.A>2, 'yes', 'no')
如果您有超过 2 个选择，也许apply() 可以工作
输入
arr = pd.DataFrame('A':list('abc'), 'B':range(3), 'C':range(3,6), 'D':range(6, 9))
而arr是
A B C D
0 a 0 3 6
1 b 1 4 7
2 c 2 5 8
如果您希望 E 列成为 if arr.A =='a' then arr.B elif arr.A=='b' then arr.C elif arr.A == 'c' then arr.D else something_else
arr['E'] = arr.apply(lambda x: x['B'] if x['A']=='a' else(x['C'] if x['A']=='b' else(x['D'] if x['A']=='c' else 1234)), axis=1)
最后 arr 是
A B C D E
0 a 0 3 6 0
1 b 1 4 7 4
2 c 2 5 8 8
【讨论】：
【参考方案10】：如果您要处理海量数据，最好采用记忆化方法：
# First create a dictionary of manually stored values
color_dict = 'Z':'red'
# Second, build a dictionary of "other" values
color_dict_other = x:'green' for x in df['Set'].unique() if x not in color_dict.keys()
# Next, merge the two
color_dict.update(color_dict_other)
# Finally, map it to your column
df['color'] = df['Set'].map(color_dict)
当你有很多重复值时，这种方法最快。我的一般经验法则是在以下情况下记忆：data_size > 10**4 & n_distinct data_size/4
E.x.在一个案例中记忆 10,000 行具有 2,500 个或更少的不同值。
【讨论】：
好吧，所以只有 2 个不同的值要映射，100,000,000 行，没有“记忆”的情况下运行需要 6.67 秒，而有 9.86 秒。 100,000,000 行，52 个不同的值，其中 1 个映射到第一个输出值，其他 51 个都对应另一个：没有记忆的 7.99 秒，有记忆的 11.1 秒。 你的值是随机排列的吗？还是他们背靠背？大熊猫的高速可能是由于缓存@AMC 你的值是随机排列的吗？还是它们是背靠背的？ 值是随机的，使用random.choices() 选择。【参考方案11】：
来自pyjanitor 的case_when 函数是pd.Series.mask 的包装器，并为多种条件提供了可链接/方便的形式：
对于单个条件：
df.case_when(
df.col1 == "Z", # condition
"green", # value if True
"red", # value if False
column_name = "color"
)
Type Set color
1 A Z green
2 B Z green
3 B X red
4 C Y red
对于多个条件：
df.case_when(
df.Set.eq('Z') & df.Type.eq('A'), 'yellow', # condition, result
df.Set.eq('Z') & df.Type.eq('B'), 'blue', # condition, result
df.Type.eq('B'), 'purple', # condition, result
'black', # default if none of the conditions evaluate to True
column_name = 'color'
)
Type Set color
1 A Z yellow
2 B Z blue
3 B X purple
4 C Y black
更多例子可以在here找到
【讨论】：
以上是关于Pandas 有条件地创建系列/数据框列的主要内容，如果未能解决你的问题，请参考以下文章