Python dataframe根据现有列生成新的列np.where +apply,map

最新推荐文章于 2025-03-19 14:55:19 发布
最新推荐文章于 2025-03-19 14:55:19 发布
阅读量1k 收藏 4
点赞数
文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_27866857/article/details/120949701
版权

可以多个条件，条件用括号

result['EMX035']=np.where((result['EMX035_1']==1) | (result['EMX035_2']==1) ,1,0)


dataframe 根据某列的值生成新的列
df2['是否逾期']=df2.apply(lambda x:0 if x.应付日期>today_time else 1,axis=1)
df2['是否到期90天']=(today_time - df2.应付日期).map(lambda x:1 if x.days >= 90 else 0)
qq_27866857
关注
比较两个DataFrame特定数据列的数值是否相同并给出差值：使用np.where函数
AlianBlank的博客
09-11 778
本文将介绍如何使用pandas和numpy中的np.where函数来比较两个DataFrame特定数据列的数值是否相同，并给出差值。通过使用pandas和numpy中的相关函数，我们可以方便地比较两个DataFrame特定数据列的数值是否相同，并给出差值。如果不同，将返回df2[‘A’] - df1[‘A’]，即两个DataFrame对应行的’A’列数值的差值。如果数值不同，则对应的差值为相应的数值差。现在，我们可以使用np.where函数来比较两个DataFrame特定数据列的数值是否相同，并给出差值。
使用np.where函数筛选DataFrame中字符串的最大长度所对应的数据行
BUG？不存在的！
06-17 415
在上面的代码中，我们使用了np.where函数来查找符合最大长度条件的行，并把结果赋值给了index。在DataFrame中，有时候我们需要根据某些条件来筛选出一些数据行，比如字符串的最大长度。总之，使用np.where函数能够帮助我们轻松地根据特定条件筛选出数据行，是一个非常方便的工具。使用np.where函数筛选DataFrame中字符串的最大长度所对应的数据行。现在我们可以使用np.where函数来筛选出字符串的最大长度所对应的数据行。可以看到，我们成功地筛选出了字符串的最大长度所对应的数据行。
DataFrame由已知列数据计算生成新列的方法
tonylorn的博客
12-15 1万+
map和lambda的搭配使用，可以将两个等长的序列进行运算，生成新的序列。利用这个方法，可以利用DataFrame中已知列的数据生成新列。具体如下： df['new_col']=list(map(lambda x,y: function(x,y), df['col1'], df['col2'])) 通过以上操作，把col1和col2两个等长的序列代入了function(x,y)函数，两列中...
python条件函数: np.where 和 np.select
最新发布
diwangdie327的博客
03-19 560
python 多条件选择：根据多个布尔数组选择数据, 根据不同条件将数据选择不同的类别
Python学习笔记 -- Pyhthon pandas 如何基于一列或多列运算并生成新的列
weixin_44167173的博客
04-03 6788
Python学习笔记 – Pyhthon pandas 如何基于一列或多列运算并生成新的列 在数据处理中，通过前面几列的运算生成一个新列。 最常见的例子是计算成绩 : ) 1.eval() eval是最直接的 举个栗子： 我们这里就用最常见需要增加列的情景之一 成绩统计~ 已经有每一门学科的成绩，需要在最后新增一列总分： df = pd.DataFrame({'math':[89,78,83],...
【Python】np.where用法实例：求每行第一个不为空的单元格值
浮点型队友
03-19 4195
# 求每行第一个不为空的单元格值 import pandas as pd import numpy as np df = pd.DataFrame({"第一列":[100, np.NaN, 500, np.NaN, 120 ], "第二列":[200, 200, np.NaN, 200, 150], "第三列":[np.Na...
pandas新字段（数据列）生成、使用np.where或者apply lambda函数结合if else生成新的字段，详解及实战
data+scenario+science+insight
05-03 1434
pandas新字段（数据列）生成、使用np.where或者apply lambda函数结合if else生成新的字段，详解及实战 pandas apply用法： pandas apply方法的作用原理和map方法类似，区别在于apply能够传入功能更为复杂的函数。 pandas apply方法可以用在series上； 有的情况下，agg与transform 不是很适合，这个时候apply方法就来救场了，，，，， 注意：有些方法是dataframe特有的，有些方法是series特有的： .
python 多条件判断 生成新列,根据多个条件向Python Pandas DataFrame添加新列
weixin_33806591的博客
02-09 1841
I have a dataset with various columns as below:discount tax total subtotal productid3.98 1.06 21.06 20 32323.98 1.06 21.06 20 32323.98 6 106 1...
pandas.DataFrame 根据条件新建列并赋值的方法
09-20
在实际应用中，我们经常需要根据某些条件为DataFrame创建新的列，并对这些新列赋值。本文将详细探讨如何在Pandas DataFrame中根据条件新建列并赋值，以满足特定的数据处理需求。 首先，让我们回顾一下给定的例子。...
pandas.dataFrame按条件修改列的值
猫敷雪
06-16 1922
np.where(condition, x, y)：满足条件(condition)，输出x，不满足输出y。如果column1符合A或B条件，对应的’plus’列删除的前7个字段。这个时候就运用if elif。
【DS with Python】DataFrame的合并、分组聚合与数据透视表
Mart_inn的博客
12-30 5310
包含内容：对于DataFrame的列合并df.merge() 行合并pd.concat()，与分组df.groupby()及分组后的聚合.agg() 转换.transform() 筛选 .filter 与apply()函数的应用，讲解数据尺度(Scale) 用pd.pivot_table()制作数据透视表，pandas中的时间Timestamp, Period, Datetimeindex, Periodindex,时间范围pd.date_range和resample函数
python中的np where,在python中使用np.where函数时如何避免NaN？
weixin_29001655的博客
12-10 457
I have a dataframe like this,col1 col2 col31 apple a,b2 car c3 dog a,c4 dog NaNI tried to create three new columns, a,b and c, which give '1' if it contains...
np.where小记
qq_37418807的博客
08-25 463
data = pd.DataFrame([['小黑',19,80,100],['小萱',76,73,90],['阿黄',59,98,96]]) data 好了，我们要为他们的成绩打标签,分别是优秀(90-100),良(70-89),及格(60-69),待及格(0-59)，旷考 (1) 选取操作列 cols = data.columns.difference(['姓名']) cols （2）通过嵌套where进行条件判断,可不必写if else data[cols] = np.where( d
pandas数据分析方法
weixin_44133552的博客
05-20 1115
利用pthon进行数据分析-pandas环境配置安装pandas、numpy、xlrd数据的读取创建文件读写csv或txt数据 环境配置 安装pandas、numpy、xlrd 1.使用cmd pip install pandas 2.安装xlrd，否则打不开excel文件 3. 使用这个路径下载模块https://pypi.tuna.tsinghua.edu.cn/simple 数据的读取 创建文件 excel文件并写数据，to_csv同理，to_sql则需要连接数据库操作 import pandas
python中where函数_Python pandas.DataFrame.where函数方法的使用
weixin_39781323的博客
12-14 5037
DataFrame.where(cond,other=nan,inplace=False,axis=None,level=None,errors='raise',try_cast=False)[source]替换where条件为False的值。参数：cond：bool Series/DataFrame, array-like,或 callable当cond为True时，保持原始值。当为...
pandas 根据条件直接替换某一列的值的两种方法 np.where pandas.DataFrame.mask
热门推荐
Geoffrey_Zflyee的博客
09-17 4万+
根据条件替换某一列的值一、问题描述二、解决方案2.1 方法一：通过`np.where`替换2.2 方法二：通过`pandas.DataFrame.mask`替换三、演示示例3.1 方法一 示例3.2 方法二 示例三、总结 一、问题描述 原始数据如下： 当df[2]>0.6时，用df[1]的值替代df[0]的值。 二、解决方案 2.1 方法一：通过np.where替换 numpy.where(condition,x,y) condition：类数组对象，布尔逻辑（即True或False），如果条件成
Python DataFrame 如何根据多列的值做判断，生成新的列值
weixin_42311008的博客
11-29 4648
Python DataFrame 根据多列的值做多条件判断生成新的列值，根据多列的值做判断，生成新的列值
python中np.where和df.where区别
03-13
<think>嗯，用户问的是numpy的np.where和pandas的df.where之间的区别以及它们的使用场景。首先我需要回忆这两个函数的具体用法和功能。 记得np.where是一个三元表达式，类似于条件 ? 真值 : 假值。它的结构是np.where(条件, 满足时的值, 不满足时的值)。比如当条件为真时返回第二个参数，否则返回第三个参数。这个函数在numpy和pandas中都可以用，但主要是numpy的函数。 而pandas的df.where则是另一种用法。根据引用[2]里的说明，df.where(cond, df2)其实等价于np.where(cond, df, df2)。但这里的参数顺序可能需要注意，因为df.where默认情况下，如果条件不满足，会用NaN来填充，除非指定了other参数。比如，当使用df.where(条件)时，不满足条件的元素会被替换为NaN，而如果加上df.where(条件, other=替代值)，就会用替代值填充。这可能和np.where的参数顺序不同，因为np.where是条件、真值、假值，而df.where的参数是条件，然后other是替换的值，同时可能需要另一个DataFrame来替换。 举个例子，如果用户有一个DataFrame，想要根据条件替换值，用np.where的话，可能需要写成np.where(条件, 值1, 值2)，而用df.where的话，则是df.where(条件, 值2)，这样条件满足的位置保留原值，不满足的替换为值2。或者，如果需要同时替换两种情况，可能需要结合其他方法。 比如引用[4]中的例子，用iif（即np.where）来判断客户名称是否为A，如果是则取发货数量，否则0。这种情况下np.where比较直接。而如果用df.where的话，可能需要更复杂的步骤，或者结合mask方法。 另外，引用[2]提到df1.where(cond, df2)等价于np.where(cond, df1, df2)，这说明df.where的参数顺序可能和np.where相反，或者需要两个数据框架来进行替换。这可能涉及到两个不同的结构，比如当cond为True时保留df1的值，否则使用df2的值。而np.where则是根据条件在两个值或数组之间选择。 接下来需要整理两者的主要区别： 1. 语法结构不同：np.where(condition, x, y)是条件满足选x，否则选y。而df.where(condition, other=inplace)则是条件满足保留原数据，否则替换成other的值。当需要替换整个元素时，可能需要另一个结构相同的DataFrame或标量。 2. 默认行为：df.where如果不指定other参数，默认替换为NaN，而np.where必须提供x和y，没有默认替换值。 3. 返回值类型：np.where返回的是numpy数组，而df.where返回的是DataFrame，保持索引和列结构。 使用场景的话，当处理DataFrame时，如果希望保持DataFrame的结构，并且替换不满足条件的值为另一个DataFrame对应的值或者标量，可以用df.where。而如果需要在两个选项之间选择，或者处理的是numpy数组，或者需要更灵活的条件判断，可能用np.where更方便。 例如，在pandas中添加新列时，如引用[1]中的例子，使用np.where来根据总分生成评级，或者比较两个列生成新的标记。这种情况下，np.where可以直接在Series上操作，返回一个数组，然后赋值给新列。而df.where可能更适合筛选或替换原DataFrame中的某些值，同时保持结构。 可能还要提到df.where和df.mask的区别，mask是条件为假时保留原值，而where是条件为真时保留原值。而np.where则同时处理两种情况。 总结两者的区别，np.where更灵活，适用于元素级别的条件选择，而df.where更适合在保持DataFrame结构的情况下进行条件替换，尤其是当需要替换其他DataFrame的值或者标量时。</think>### numpy的`np.where`与pandas的`df.where`核心差异 #### 1. **语法与功能差异** - **`np.where(condition, x, y)`** 三元表达式结构：根据条件选择`x`或`y`的值。 - 若`condition`为`True`，返回`x`；否则返回`y`[^1][^4]。 - 适用于数组或标量，**返回结果类型与`x`/`y`一致**（如数组、Series等）。 - 示例：根据总分判断等级： ```python df['总分评级'] = np.where(df['总分'] > 200, 'A等', 'B等') # 直接生成新列 ``` - **`df.where(condition, other=NaN)`** 保留满足条件的原始数据，替换不满足的值： - 若`condition`为`True`，保留原值；否则替换为`other`（默认`NaN`）[^2]。 - 适用于**原地修改或替换为其他DataFrame/标量**。 - 示例：筛选总分大于200的行，其余标记为`NaN`： ```python df_filtered = df.where(df['总分'] > 200) # 不满足条件的行变为NaN ``` #### 2. **默认行为对比** | 函数 | 满足条件 | 不满足条件 | 返回值类型 | |-------------|--------------------|---------------------|------------------| | `np.where` | 返回`x` | 返回`y` | 与`x`/`y`一致 | | `df.where` | 保留原值 | 替换为`other`或`NaN` | 保持DataFrame结构| #### 3. **使用场景** - **`np.where`适用场景**： - 需要根据条件从两个选项中动态选择值（如生成新列、标记数据）[^1][^4]。 - 对数组或Series进行元素级操作（如`df['new'] = np.where(cond, a, b)`）。 - **`df.where`适用场景**： - 过滤或清理DataFrame中的特定值（如将不满足条件的值设为`NaN`或替换为其他值）。 - 需要保持DataFrame结构时（如`df.where(cond, other=df2)`用另一个DataFrame填充）。 #### 4. **典型代码对比** ```python # np.where示例：根据条件生成新列 df['语文评级'] = np.where(df['语文'] > df['数学'], '√', '×') # 直接返回结果 # df.where示例：保留总分>200的行，其余替换为"淘汰" df_filtered = df.where(df['总分'] > 200, other="淘汰") # 保持DataFrame结构[^2] ``` #### 5. **关联函数扩展** - `df.mask(condition, other)`：与`df.where`相反，条件为`False`时保留原值，为`True`时替换为`other`。 - `pd.Series.where`：对Series对象的条件操作，语法与`df.where`一致。 ---
评论
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