Pandas中mask与where的深度对比(90%的人都用错了)

53_Pandas中的条件替换值(where, mask) 我会解释如何在pandas中根据条件赋值。虽然它不使用 if 语句,但它可以处理条件分支,如 if then … 或 if then … else …。具体值的替换见后面的文章,替换或删除缺失值NaN。以下面的 pandas.DataFrame 为例。以下内容进行说明。 阅读详情

第一章:Pandas中mask与where的深度对比(90%的人都用错了)

核心功能解析

mask 和 where 是 Pandas 中用于条件数据替换的两个关键方法,但语义相反。当条件为 True 时,where 保留原值,否则替换;而 mask 则在条件为 True 时进行替换,否则保留原值。

使用场景对比

  • where 常用于保留满足条件的数据,如将负数替换为 NaN
  • mask 更适合隐藏或替换异常值,例如将所有大于阈值的数值置为特定值

代码示例与逻辑说明

# 创建示例数据
import pandas as pd
import numpy as np

df = pd.DataFrame({'A': [1, -2, 3, -4], 'B': [5, 6, -7, 8]})

# 使用 where:保留非负数,负数替换为 0
df_where = df.where(df >= 0, 0)
print("where 结果:")
print(df_where)

# 使用 mask:将负数替换为 0,其余保持不变
df_mask = df.mask(df < 0, 0)
print("mask 结果:")
print(df_mask)

上述代码中,df.where(df >= 0, 0) 表示“如果值大于等于 0 则保留,否则设为 0”;而 df.mask(df < 0, 0) 表示“如果值小于 0 则替换为 0,否则保留”。两者结果一致,但逻辑视角不同。

常见误区与性能建议

误区正确做法
混淆 mask 与 where 的条件含义牢记:where 是“保留 True”,mask 是“掩盖 True”
在链式操作中滥用 inplace=True优先使用函数式风格,避免副作用

第二章:mask方法的核心机制与典型应用

2.1 mask方法的底层逻辑与参数解析

mask 方法是数据处理中用于条件筛选的核心机制,其底层基于布尔索引实现。当调用 mask 时,系统会生成与原数据形状一致的布尔掩码矩阵,满足条件的位置标记为 True,反之为 False,随后将 True 位置的值替换为指定值。

常用参数详解
  • cond:布尔条件表达式,决定哪些元素需要被替换;
  • other:替换值,可为标量或同维度数组;
  • inplace:是否原地修改,默认为 False。
import pandas as pd
df = pd.DataFrame({'A': [1, -2, 3], 'B': [-4, 5, -6]})
df.mask(df < 0, 0)

上述代码将所有负值替换为 0。其执行过程为:先评估 df < 0 生成布尔掩码,再将该掩码为 True 的位置替换为 0,保留其余值不变。

2.2 基于条件的数值替换实践

在数据处理过程中,基于特定条件对数值进行替换是常见的操作。它能够有效清洗异常值、标准化分类编码或修正逻辑错误。
基础替换逻辑
使用条件表达式判断字段值,并执行对应替换。以 Python 的 Pandas 为例:
import pandas as pd
df = pd.DataFrame({'score': [55, 65, 75, 85, 95]})
df['level'] = df['score'].apply(lambda x: 'A' if x >= 80 else ('B' if x >= 60 else 'C'))
上述代码根据分数区间将连续变量转换为分类变量。`apply` 方法逐行应用匿名函数,实现条件判断与赋值。
多条件映射表
对于复杂映射关系,可借助字典结合 `map` 函数提升可维护性:
  • 定义清晰的映射规则,便于后期调整
  • 避免嵌套三元表达式导致的可读性下降
  • 支持从外部配置文件加载映射表

2.3 mask在缺失值处理中的高级用法

在复杂数据清洗场景中,mask技术不仅用于识别缺失值,还可结合条件逻辑实现精细化过滤。通过布尔索引与mask组合,能够精准定位特定模式下的空值。
条件掩码构建
使用pandas可创建复合条件mask:
import pandas as pd
import numpy as np

df = pd.DataFrame({'A': [1, np.nan, 3, np.nan], 'B': [4, 5, np.nan, 6]})
mask = df['A'].isna() & (df['B'] > 5)
df.loc[mask, 'A'] = df['B']
上述代码中,仅当'A'列为空且'B'列大于5时,才用B列值填充A列,体现了mask的上下文感知能力。
多维缺失模式识别
  • 利用mask矩阵进行跨列联合判断
  • 支持嵌套条件的逐层过滤策略
  • 可扩展至时间序列中的滑动窗口mask应用

2.4 结合DataFrame与Series的mask操作对比

在Pandas中,`mask`操作用于根据条件替换满足条件的值。当将DataFrame与Series结合使用`mask`时,需注意其广播机制与对齐行为。
操作逻辑差异
DataFrame的`mask`会逐行/列对齐Series索引,自动进行标签对齐。若索引不匹配,则可能导致意外的NaN填充。
  • DataFrame.mask(Series):按列广播,要求索引一致
  • Series.mask(标量或同构Series):元素级替换
import pandas as pd
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
ser = pd.Series([True, False, True], index=[0, 1, 2])
result = df.mask(ser, other=0)
上述代码中,`ser`作为布尔掩码应用于`df`每一列。每列中对应位置为`True`的元素被替换为0,`False`保持原值。此例展示了Series如何按行索引对齐并广播至整个DataFrame,实现跨列一致的掩码控制。

2.5 性能优化与常见误用场景分析

避免高频重渲染
在组件开发中,频繁的不必要的重新渲染是性能瓶颈的常见来源。使用 React.memo 或 useMemo 可有效缓存结果,减少重复计算。

const ExpensiveComponent = React.memo(({ data }) => {
  return <div>{data.map(d => d.value).join(', ')}</div>;
});
上述代码通过 React.memo 防止组件在 props 未变化时重新渲染,适用于大型列表或复杂计算场景。
错误的依赖数组使用
  • useEffect 中遗漏依赖项会导致闭包陷阱
  • 传递过多依赖可能引发频繁执行
正确示例:

useEffect(() => {
  console.log(count);
}, [count]); // 精确声明依赖

第三章:where方法的设计哲学与实战技巧

3.1 where方法的执行逻辑与默认行为

查询构建的核心机制
`where` 方法是数据库查询构建器中的核心组件,用于添加条件表达式以过滤结果集。其默认行为是在不指定操作符时使用等值匹配(=)。
db.Where("name = ?", "Alice")
db.Where("age > ?", 18)
db.Where("active", true) // 默认转换为 active = true
上述代码中,最后一个语句未显式提供操作符,ORM 框架会自动采用等号进行比较。这种设计简化了常见场景下的语法负担。
参数绑定与安全防护
该方法内部通过参数绑定防止 SQL 注入,所有占位符会被安全替换。支持多种格式化形式,包括字符串模板和键值对输入。
  • 单条件:字段与值直接匹配
  • 多条件:支持链式调用叠加
  • 复杂表达式:可嵌套子查询或使用原生 SQL 片段

3.2 条件保留与替代值填充的灵活应用

在数据处理流程中,常需根据特定条件决定是否保留原始值或填充默认替代值。这种机制广泛应用于数据清洗、配置合并和用户输入校验等场景。
条件判断与默认值注入
通过三元运算符或函数封装可实现简洁的值选择逻辑。例如在 Go 中:

funcOrDefault(val *string, def string) string {
    if val != nil && *val != "" {
        return *val
    }
    return def
}
该函数检查指针是否非空且指向非空字符串,满足条件则返回原值,否则返回默认值。有效避免空值导致的运行时错误。
应用场景示例
  • 环境变量缺失时注入默认配置
  • API 请求参数补全
  • 数据库查询结果的空字段处理

3.3 链式操作中where的稳定性探讨

在ORM框架中,链式调用极大提升了查询构建的可读性与灵活性。其中,where条件的稳定性直接影响最终SQL的正确性。
条件叠加的执行顺序
多次调用where时,框架通常采用累积策略,后续条件会与前序条件进行逻辑与(AND)连接。这种机制保障了查询条件的完整性。

query := db.Where("age > ?", 18).Where("status = ?", "active")
// 生成: WHERE age > 18 AND status = 'active'
上述代码中,两个Where调用顺序执行,参数分别绑定,避免SQL注入,且顺序不影响逻辑结果。
并发修改风险
当多个goroutine共享同一查询实例并调用Where时,可能引发条件错乱。因此,建议每次构建独立查询实例,确保线程安全。
  • 链式操作应视为不可变模式设计
  • 共享Query对象需加锁或使用副本

第四章:mask与where的对比与选择策略

4.1 执行逻辑的根本差异与结果对比

在并发编程中,线程模型与事件循环机制的执行逻辑存在根本性差异。线程模型采用抢占式调度,每个任务独占栈空间,而事件循环依赖非阻塞I/O和回调或协程实现单线程上的多任务协作。
典型并发模型对比
  • 线程模型:操作系统调度,上下文切换开销大
  • 事件循环:用户态调度,轻量但需避免阻塞操作
Go协程 vs Node.js事件循环示例
func main() {
    for i := 0; i < 5; i++ {
        go func(id int) {
            time.Sleep(100 * time.Millisecond)
            fmt.Println("Goroutine", id)
        }(i)
    }
    time.Sleep(1 * time.Second) // 等待输出
}
上述代码通过go关键字启动多个协程,并发执行独立函数。每个协程由Go运行时调度,在多个系统线程上复用,实现高并发。 相比之下,Node.js通过事件队列处理异步操作,所有回调在单线程中串行执行,避免了锁竞争,但CPU密集任务会阻塞整个流程。

4.2 条件表达式的书写习惯与陷阱规避

在编写条件表达式时,良好的书写习惯能显著提升代码可读性与维护性。推荐将常量放在比较操作符左侧,避免意外赋值。
常见陷阱:赋值误用
以下代码展示了易错的写法:

if (x = 5) {  // 错误:使用了赋值而非比较
    printf("x is 5");
}
上述代码将始终执行,因为 x = 5 返回非零值。正确应为 == 比较。
推荐写法与防御性编程
  • 使用 Yoda 条件:将常量置于左侧,如 if (5 == x),编译器可在误写为 = 时报错;
  • 优先使用显式布尔表达式,增强语义清晰度;
  • 避免多重嵌套三元运算符。

4.3 数据类型兼容性与NaN处理策略

在跨平台数据交互中,数据类型兼容性直接影响系统稳定性。不同语言对整型、浮点型的精度支持存在差异,需通过标准化类型映射表统一语义。
常见类型映射规则
源类型目标类型转换策略
float32double自动升阶
int64Number (JS)范围校验
NaN值传播控制

// 安全浮点除法,显式处理NaN
func safeDiv(a, b float64) float64 {
    if math.IsNaN(a) || math.IsNaN(b) || b == 0 {
        return 0 // 或触发监控告警
    }
    result := a / b
    if math.IsInf(result, 0) {
        return 0
    }
    return result
}
该函数通过预判输入合法性,阻断NaN在计算链中的扩散,避免后续数据分析失真。

4.4 实际项目中如何正确选择使用场景

在实际项目中,合理选择技术方案需结合业务特性与系统约束。高并发写入场景下,应优先考虑消息队列削峰填谷。
典型应用场景对比
场景类型推荐方案原因
实时数据同步Kafka + CDC保障低延迟与数据一致性
批量报表生成定时任务 + 批处理资源利用率高,避免高峰争抢
代码配置示例
func NewKafkaProducer(brokers []string) *kafka.Producer {
    config := kafka.NewConfig()
    config.Producer.Retry.Max = 5             // 最大重试次数
    config.Producer.RequiredAcks = kafka.WaitForAll // 等待所有副本确认
    return kafka.NewProducer(brokers, config)
}
该配置适用于金融类强一致性场景,通过全副本确认和重试机制保障消息不丢失,但会牺牲部分吞吐性能。

第五章:总结与最佳实践建议

持续集成中的自动化测试策略
在现代 DevOps 流程中,自动化测试是保障代码质量的核心环节。每次提交代码后,CI 系统应自动运行单元测试、集成测试和静态代码分析。

// 示例:Go 语言中的单元测试片段
func TestCalculateTax(t *testing.T) {
    input := 1000.0
    expected := 150.0
    result := CalculateTax(input)
    if result != expected {
        t.Errorf("期望 %.2f,但得到 %.2f", expected, result)
    }
}
微服务架构下的配置管理
使用集中式配置中心(如 Consul 或 Spring Cloud Config)可有效降低环境差异带来的部署风险。以下为推荐的配置优先级:
  1. 环境变量(最高优先级)
  2. 远程配置中心
  3. 本地配置文件(最低优先级)
性能监控的关键指标
生产环境中应实时监控以下核心指标,以便快速定位瓶颈:
指标类型推荐阈值监控工具示例
API 响应时间< 300ms (P95)Prometheus + Grafana
错误率< 0.5%Datadog
JVM GC 时间< 100ms/分钟JConsole, VisualVM
安全加固实践
所有对外暴露的服务必须启用 TLS 1.3,并定期轮换证书。建议使用 Let's Encrypt 配合自动化脚本实现零停机更新。
pandas移动平均三大类型原理与实战避坑指南 移动平均是时间序列分析中最基础也最易误用的数据平滑技术,其核心在于通过窗口聚合降低噪声、揭示趋势。它并非单一方法,而是包含简单移动平均(SMA)、累积移动平均(CMA)和指数移动平均(EMA)三种数学本质迥异的范式:SMA强调局部平稳性与刚性切片,CMA体现全局历史均值锚定,EMA则基于指数衰减实现动态加权与状态记忆。在pandas中,它们分别由.rolling()、.expanding()和.ewm()接口实现,差异不仅在于API调用,更体现在缺失值处理、初始值敏感性、计算滞后性及内存行为等工程细节。真实 阅读详情

相关推荐

PySpark UDF性能陷阱与Pandas UDF优化实战指南

UDF(用户自定义函数)是Spark中扩展计算能力的基础机制,其本质是跨执行引擎的数据处理接口。普通PySpark UDF因JVM与Python进程间频繁序列化/反序列化,带来显著通信开销与GC压力;而基于Apache Arrow的Pandas UDF通过内存零拷贝和向量化执行,大幅降低延迟并提升吞吐。该技术路径的核心价值在于平衡开发效率与运行时性能——既支持Python生态的算法灵活性,又逼近原生SQL或Scala UDF的执行效率。典型应用场景包括实时特征工程、机器学习模型服务化、复杂文本清洗及跨系统A

weixin_30727835的博客 288

【Pandas数据处理100例】(七十五):Pandas的where()函数使用方法

该函数和numpy中的where同样的用法,都可以按照条件来实现替换DataFrame中的值。cond:给定的条件,也可以是掩码矩阵other:要替换的值。

优快云 精品推荐 1520

pandas GroupBy本质解密:惰性计算与性能优化原理

pandas的GroupBy不是简单的分组汇总工具,而是一个惰性计算的延迟执行代理,其核心在于元数据绑定、动态方法路由与内存零拷贝设计。理解其底层原理——如_grouper编码机制、Cython聚合函数分发、size与count的哈希表差异——是突破性能瓶颈的关键。它直接影响向量化聚合效率、apply内存爆炸风险及nunique高基数场景下的计算开销。广泛应用于电商用户分群、IoT时序特征工程、日志UV/PV统计等大数据分析场景。本文深入源码级执行链路,揭示groupby对象不存数据、只存契约的本质。

weixin_30596023的博客 443

【Pandas】深入解析Pandas中的统计汇总函数`where()`

where()

qq_38614074的博客 1876

pandas多维聚合实战:从银行风控看业务驱动的数据分析

多维聚合是数据分析的核心能力,本质是将复杂业务逻辑转化为可执行的数据操作。它超越简单的GROUP BY求均值,涉及多维度交叉切分、异构指标协同计算、滚动时间窗口建模及结果工程化落地。在金融风控、客户画像与实时运营等场景中,需兼顾统计严谨性、计算性能与业务可解释性。本文聚焦pandas的agg、rolling、pivot_table等核心机制,结合银行真实案例,详解如何用向量化自定义函数处理稳健范围、突变检测、比率指标等高频需求,并规避列名陷阱、索引错位、小样本失效等12类生产级风险。

572

pandas多维聚合实战:生产级数据管道的5大核心模式

多维聚合是数据分析与工程落地的关键交汇点,其本质远超基础groupby操作,涉及时间窗口、跨列计算、分层语义、内存效率与业务对齐等多重维度。在金融风控、支付清算、零售BI等高要求场景中,必须兼顾计算性能(如避免merge全量复制)、时间语义(如rolling('7D')而非window=7)、结果可解释性(如MultiIndex扁平化)及审计合规性(如ddof显式声明)。本文聚焦pandas中agg、transform、rolling、expanding与unstack五大核心机制,结合银行与支付机构真实案

weixin_34112181的博客 289

pandas_where

pandas.DataFrame.where()函数,用于根据条件替换DataFrame中的值。当条件满足时,将数据替换为指定值(默认情况下为 NaN),否则保持不变。# inplace: 是否在原 DataFrame 上进行操作,默认为 False。# cond: 一个布尔条件,可以是 DataFrame 或 Series。元素为 True 的位置会保留原值,False 的位置会被替换。# try_cast: 尝试转换到相同的类型,默认为 False。# axis: 应用条件的轴,默认为 None。

qq_27833723的博客 669

Pandas六大高危操作:生产环境中的数据准确性守门员

Pandas作为Python数据分析基石,其核心操作如.loc/.iloc索引、drop_duplicates去重、fillna填充、groupby聚合、merge关联和apply逐行处理,表面简单却暗藏语义歧义与类型陷阱。这些操作的默认行为往往基于技术假设,而非业务逻辑——例如drop_duplicates默认全列匹配会忽略业务主键,fillna(0)将‘缺失’误读为‘零值’,merge的how参数可能静默掩盖数据质量问题。它们直接决定分析结论是否可信、报表是否稳健、模型特征是否干净。本文聚焦真实业务场景

congsikuai0611的博客 396

GPT-4万亿参数与2%稀疏激活的工程真相

大语言模型中的稀疏激活并非简单减少参数使用,而是专家混合(MoE)架构下基于token动态路由的计算资源调度机制。其核心原理在于:通过轻量级路由网络为每个输入token实时选择Top-K专家子网络,实现参数高效复用与知识专业化分工。这种设计在保持模型容量(如1.8万亿参数)的同时,显著优化FLOPs分配和显存带宽利用率,技术价值体现在高知识广度、低推理冗余与硬件友好性上。典型应用场景包括多领域长文本生成、跨模态指令理解及低延迟API服务。本文聚焦GPT-4所采用的2%稀疏激活现象,深入解析其背后MoE架构、

weixin_30684743的博客 354

多维聚合中的数据变形:维度语义与度量聚合规则实战

多维聚合是BI分析与数据仓库建设的核心能力,其本质是将原始事实数据在多个业务维度(如地理、时间、产品、用户)上进行结构化切片与汇总。关键在于理解维度间的层级关系(如省→市→店)与正交关系(如渠道×会员等级),以及度量的数学性质——可加性、半可加性、不可加性与派生性。错误的GROUP BY或聚合函数(如对转化率直接AVG)会导致严重业务误判。本文聚焦数据变形(Data Manipulation)这一前置关键环节,结合Pandas/Spark/SQL实操,详解如何通过维度对齐、度量标定、变形链路设计保障聚合结果

diegouyi3472的博客 549

多维聚合中的数据操纵:透视、熔化、堆叠与上卷实战

多维聚合是BI与数据分析的核心能力,其本质并非简单分组统计,而是对数据维度结构的保真重塑。理解pivot(透视)实现维度升维、melt(熔化)支持灵活钻取、unstack/stack(堆叠解堆)优化时间序列分析、rollup/cube(上卷立方体)支撑全视角汇总,是构建可靠分析骨架的关键。这些操作共同服务于维度建模思想——分离事实与维度、维护清晰的维度骨架,从而保障指标语义一致性与计算可复现性。在电商、SaaS、金融等实时分析场景中,正确组合这四类操作,能显著提升聚合性能、降低内存开销,并支撑交互式看板与自

dihuangxiu8828的博客 456

Pandas数据清洗六把快刀:assign、query、loc、pivot_table、groupby、concat实战精要

Pandas数据清洗是数据分析 pipeline 的关键前置环节,其核心在于高效处理缺失值、类型混乱、重复记录与多源对齐等典型脏数据问题。底层依赖向量化计算与链式操作原理,技术价值体现在降低中间变量污染、提升布尔筛选可读性、保障聚合逻辑可复用。广泛应用于电商订单治理、金融风控规则引擎、BI报表自动化及算法特征工程等场景。本文聚焦六大高频但常被低估的生产级操作——assign链式赋值、query字符串化筛选、loc标签精准索引、pivot_table报表透视、groupby多级聚合与pd.concat智能对齐

dianxiangong2403的博客 387

银行级多维聚合实战:从groupby到生产指标引擎

多维聚合是数据分析的核心能力,本质是将原始数据按多个业务维度切片后,对每个切片执行统计计算。其技术原理涉及分组引擎、窗口对齐、索引层级与空值语义等关键机制。在金融风控、监管报送和客户价值分析等高要求场景中,它直接决定指标的准确性、可解释性与上线稳定性。尤其当面对‘客户+产品+时间’三重分组、滚动标准差、跨口径累计占比等复合需求时,简单调用agg或rolling极易引发NaN蔓延、内存爆炸、列名混乱等工程故障。本文基于真实银行项目提炼七类高频模式,聚焦pandas中MultiIndex列处理、min_peri

图灵教育官方博客 515

NumPy np.any和np.all的底层原理与工业级避坑指南

NumPy的逻辑归约函数np.any和np.all并非Python内置any/all的简单移植,而是面向向量化计算设计的底层操作。其核心在于布尔隐式转换(如NaN恒为True)、轴向压缩机制(axis指定被归约维度)以及广播对条件表达式的静默影响。这些特性直接决定布尔索引、mask筛选和条件聚合的正确性,在数据清洗、异常检测、模型预处理等场景中构成数据质量守门人。掌握axis参数的维度语义、keepdims保持形状对齐、NaN预处理等实践要点,是构建鲁棒数值管道的关键技术基础。

weixin_34026276的博客 382

NLP项目防崩溃手册:6个高危断点与可复用诊断脚本

自然语言处理(NLP)并非单纯调用预训练模型,而是一场贯穿数据、分词、建模、评估全链路的系统性工程。其核心挑战在于抽象层级断裂导致的调试黑箱——例如中文分词边界错误引发的实体识别失效,或tokenizer截断策略不当造成的长文本信息丢失。理解subword切分原理、掌握token指纹校验与梯度可视化等技术手段,能将问题定位从‘随机试错’升级为‘确定性归因’。本文聚焦真实工业场景中高频出现的6类高危断点,覆盖从pandas数据加载隐式类型转换、ftfy编码修复,到ONNX推理一致性验证等关键环节,提供可直接落

481

多尺度特征融合的量化信号系统设计与实现

量化信号生成是金融时序建模的核心任务,其本质在于从非平稳、高噪声、多周期嵌套的股价序列中提取稳健可解释的决策依据。传统方法受限于单一建模假设——ARIMA难以处理趋势漂移,技术指标易受流动性冲击失真,纯深度学习则面临小样本过拟合风险。本文聚焦‘多尺度特征融合’这一工业级范式,通过趋势分量(ARIMA)、周期分量(傅里叶变换)与行为分量(动态技术指标)三层解耦建模,再以轻量LSTM实现时序自适应融合,显著提升信号在跨市场状态下的鲁棒性与低延迟特性。该方法已验证适用于A股日线级别策略初筛、实盘信号增强及教学级工

weixin_33743880的博客 406

XGBoost建模与sklearn评估闭环:混淆矩阵与MSE的工程化选择逻辑

机器学习模型评估不是函数调用,而是面向问题本质的技术决策过程。分类任务需关注离散决策边界上的误判类型,混淆矩阵作为诊断显微镜,可分解为TP/FN/FP/TN四象限,支撑召回率、精确率等业务敏感指标;回归任务则需量化连续预测的数值偏离程度,MSE虽常用但具异常值放大效应,须结合RMSE、MAE与R²协同解读。XGBoost凭借残差驱动的迭代机制和稳定输出接口,天然适配sklearn标准化评估协议,形成高保真、可追溯、易归因的建模闭环。本文聚焦分类与回归两大核心场景,解析评估指标背后的物理意义、参数陷阱及线上一

weixin_29041195的博客 181

Pandas中where函数的使用方法

其中,where函数是Pandas中一个重要的函数,用于根据指定条件对数据进行筛选和替换。除了简单的条件筛选和替换外,where函数还支持多个条件的组合。在上述代码中,我们使用where函数替换了成绩小于60的学生的成绩为字符串’不及格’,并且将修改结果直接赋值给了原始数据。在上述代码中,我们使用where函数筛选出了成绩大于80的学生数据,并将结果保存到了filtered_df变量中。在上述代码中,我们使用where函数筛选出成绩大于80且年龄小于20的学生,并将他们的成绩替换为字符串’优秀’。

syntax_api860的博客 1020
上一篇: 3种字典合并方式性能对比:Python 3.9+你必须知道的真相
下一篇: 训练模式vs推理模式,你真的懂torch.no_grad的作用吗?
CodePulse
博客等级 码龄2年 187粉丝 2233原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值