Question

我有一个像下面的Pandas数据框：

   col1  col2  col3  col4
0     5     1    11     9
1     2     3    14     7
2     6     5    54     8
3    11     2    67    44
4    23     8     2    23
5     1     5     9     8
6     9     7    45    71

我想制作一个第5列（col5），它取决于col1的值，并取一个其他列的值。

这就是我希望它看起来的样子，但我遇到了一些问题。

if col1 < 3:
   col5 == col2
elif col1 < 7 & col1 >= 3:
   col5 == col3
elif col1 >= 7 & col1 < 50:
   col5 == col4

哪会产生以下数据帧：

   col1  col2  col3  col4  col5
0     5     1    11     9    11
1     2     3    14     7     3
2     6     5    54     8    54
3    11     2    67    44    44
4    23     8     2    23    23
5    97     5     9     8     8
6     9     7    45    71    71

提前致谢，如果您有任何疑问，请与我们联系

Answer 1

您可以使用多个numpy.where，如果没有条件True（col1 => 50）添加了最后一个值1：

df['col5'] = np.where(df['col1'] <3, df['col2'], 
             np.where((df['col1'] <7) & (df['col1'] >=3 ), df['col3'], 
             np.where((df['col1'] >=7) & (df['col1'] <50 ), df['col4'], 1))) 
print (df)
   col1  col2  col3  col4  col5
0     5     1    11     9    11
1     2     3    14     7     3
2     6     5    54     8    54
3    11     2    67    44    44
4    23     8     2    23    23
5    97     5     9     8     1
6     9     7    45    71    71

按更改值编辑：

如果所有值col4都需要>=7：

df['col5'] = np.where(df['col1'] <3, df['col2'], 
             np.where((df['col1'] <7) & (df['col1'] >=3 ), df['col3'], df['col4']))
print (df)
   col1  col2  col3  col4  col5
0     5     1    11     9    11
1     2     3    14     7     3
2     6     5    54     8    54
3    11     2    67    44    44
4    23     8     2    23    23
5    97     5     9     8     8
6     9     7    45    71    71

len(df)=7000中的计时：

In [441]: %timeit df['col51'] = np.where(df['col1'] <3, df['col2'], np.where((df['col1'] <7) & (df['col1'] >=3 ), df['col3'], df['col4']))
The slowest run took 5.31 times longer than the fastest. This could mean that an intermediate result is being cached.
1000 loops, best of 3: 1.25 ms per loop

In [442]: %timeit df["col52"] = df.apply(lambda x: col52(x), axis=1)
1 loop, best of 3: 552 ms per loop

In [443]: %timeit df["col53"] = [col53(c1,c2,c3,c4) for c1,c2,c3,c4 in zip(df.col1,df.col2,df.col3,df.col4)]
100 loops, best of 3: 9.87 ms per loop

len(df)=70k

中的时间安排

In [446]: %timeit df['col51'] = np.where(df['col1'] <3, df['col2'], np.where((df['col1'] <7) & (df['col1'] >=3 ), df['col3'], df['col4']))
100 loops, best of 3: 2.5 ms per loop

In [447]: %timeit df["col52"] = df.apply(lambda x: col52(x), axis=1)
1 loop, best of 3: 5.36 s per loop

In [448]: %timeit df["col53"] = [col53(c1,c2,c3,c4) for c1,c2,c3,c4 in zip(df.col1,df.col2,df.col3,df.col4)]
10 loops, best of 3: 96.3 ms per loop

时间代码：

#change 1000 to 10000 for 70k
df = pd.concat([df]*1000).reset_index(drop=True)

def col52(x):
    if x["col1"] < 3:
        return x["col2"]
    elif x["col1"] >=3 and x["col1"] < 7:
        return x["col3"]
    elif x["col1"] >= 7 and x["col1"] < 50:
        return x["col4"] 
def col53(c1,c2,c3,c4):
    if c1 < 3:
        return c2
    elif c1 >=3 and c1 < 7:
        return c3
    elif c1>= 7 and c1< 50:
        return c4    

df['col51'] = np.where(df['col1'] <3, df['col2'], np.where((df['col1'] <7) & (df['col1'] >=3 ), df['col3'], df['col4']))       
df["col52"] = df.apply(lambda x: col52(x), axis=1)
df["col53"] = [col53(c1,c2,c3,c4) for c1,c2,c3,c4 in zip(df.col1,df.col2,df.col3,df.col4)]
print (df)

Answer 2

执行此操作的一种方法是使用pd.DataFrame.apply函数：

    def col5(x):
        if x["col1"] < 3:
            return x["col2"]
        elif x["col1"] >=3 and x["col1"] < 7:
            return x["col3"]
        elif x["col1"] >= 7 and x["col1"] < 50:
            return x["col4"]

此函数将数据帧的每一行作为输入。您可以通常的方式访问该行中的各个列值：x [＆＃34; col1＆＃34;]，x [＆＃34; col2＆＃34;]等。

现在，使用apply函数，该函数用于在每行或每列上运行自定义函数（如上面的col5）。参数＆＃34;轴＆＃34;将函数应用于每一行是1，对于每个列应用函数是0（在这种情况下，x具有不同的结构，即它由索引索引而不是列名称）：

    df["col5"] = df.apply(lambda x: col5(x), axis=1)

另外，作为一般说明，如果你有if-else块的函数，apply可能会非常慢，因为对于每一行，你的处理器必须决定if-else块中的哪个语句应该被执行（＆＃34） ;流水线＆＃34;和＆＃34;分支预测＆＃34;）。你应该在这里没事。

Pandas：依赖于另一个值的列

2 个答案: