在Pandas中使用Apply Lambda函数具有多个if语句

Posted 2021-05-05

我试图根据像这样的数据框中的人的大小来推断分类：

      Size
1     80000
2     8000000
3     8000000000
...

我希望它看起来像这样：

      Size        Classification
1     80000       <1m
2     8000000     1-10m
3     8000000000  >1bi
...

我理解理想的过程是应用这样的lambda函数：

df['Classification']=df['Size'].apply(lambda x: "<1m" if x<1000000 else "1-10m" if 1000000<x<10000000 else ...)

我检查了一些关于lambda函数here is an example link中的多个ifs的帖子，但是这个synthax在多个ifs语句中由于某种原因不适合我，但是它在单个if条件下工作。

所以我尝试了这个“非常优雅”的解决方案：

df['Classification']=df['Size'].apply(lambda x: "<1m" if x<1000000 else pass)
df['Classification']=df['Size'].apply(lambda x: "1-10m" if 1000000 < x < 10000000 else pass)
df['Classification']=df['Size'].apply(lambda x: "10-50m" if 10000000 < x < 50000000 else pass)
df['Classification']=df['Size'].apply(lambda x: "50-100m" if 50000000 < x < 100000000 else pass)
df['Classification']=df['Size'].apply(lambda x: "100-500m" if 100000000 < x < 500000000 else pass)
df['Classification']=df['Size'].apply(lambda x: "500m-1bi" if 500000000 < x < 1000000000 else pass)
df['Classification']=df['Size'].apply(lambda x: ">1bi" if 1000000000 < x else pass)

可以看出“pass”似乎也不适用于lambda函数：

df['Classification']=df['Size'].apply(lambda x: "<1m" if x<1000000 else pass)
SyntaxError: invalid syntax

关于Pandas中apply方法中lambda函数内多个if语句的正确语法的任何建议？多线或单线解决方案对我有用。

答案

这是一个可以构建的小例子：

基本上，lambda x: x..是一个函数的短单线。真正需要的是一个你可以轻松重建的功能。

import pandas as pd

# Recreate the dataframe
data = dict(Size=[80000,8000000,800000000])
df = pd.DataFrame(data)

# Create a function that returns desired values
# You only need to check upper bound as the next elif-statement will catch the value
def func(x):
    if x < 1e6:
        return "<1m"
    elif x < 1e7:
        return "1-10m"
    elif x < 5e7:
        return "10-50m"
    else:
        return 'N/A'
    # Add elif statements....

df['Classification'] = df['Size'].apply(func)

print(df)

返回：

        Size Classification
0      80000            <1m
1    8000000          1-10m
2  800000000            N/A

另一答案

你可以使用pd.cut function：

bins = [0, 1000000, 10000000, 50000000, ...]
labels = ['<1m','1-10m','10-50m', ...]

df['Classification'] = pd.cut(df['Size'], bins=bins, labels=labels)

另一答案

使用Numpy的searchsorted

labels = np.array(['<1m', '1-10m', '10-50m', '>50m'])
bins = np.array([1E6, 1E7, 5E7])

# Using assign is my preference as it produces a copy of df with new column
df.assign(Classification=labels[bins.searchsorted(df['Size'].values)])

如果要在现有数据框中生成新列

df['Classification'] = labels[bins.searchsorted(df['Size'].values)]

---

一些解释

来自Docs:np.searchsorted

查找应插入元素以维护顺序的索引。

将索引查找到排序数组a中，如果在索引之前插入v中的相应元素，则将保留a的顺序。

labels数组的长度大于bins的长度。因为当某些东西大于bins中的最大值时，searchsorted会返回一个-1。当我们切割labels时，这抓住了最后一个标签。