Question

我在Kaggle中使用这个泰坦尼克数据集作为titanic_df，我创建了一个新列titanic_df['person']，如果乘客低于16，则输入值为child，如果他/她是乘客的性别高于16.但if条件未被检查，['person']列将乘客的性别作为其值。

这就是我的所作所为：

titanic_df= pd.read_csv('train.csv')

for age in titanic_df['Age']:

        if age < 16 :

          titanic_df['person']= 'child' 

        if age > 16 :

          titanic_df['person'] = titanic_df['Sex']

print titanic_df[:12]

Answer 1

这种情况发生的原因是，对于循环的每次迭代，您都将整个 'person'列设置为相等;然后发生在最后一次迭代中，第二个子句就是发挥作用的那个。

您可能希望使用DataFrame.apply之类的内容。例如，在您的情况下，您可以执行类似

的操作

In [1]: import pandas as pd
   ...: 
   ...: df = pd.DataFrame()
   ...: df['Sex'] = ['Male', 'Female', 'Male']
   ...: df['Age'] = [15, 20, 50]
   ...: df
   ...: 
Out[1]: 
      Sex  Age
0    Male   15
1  Female   20
2    Male   50

In [2]: df['Person'] = df.apply(lambda x: 'Child' if x['Age'] < 16 else x['Sex'], axis=1)

In [3]: df
Out[3]: 
      Sex  Age  Person
0    Male   15   Child
1  Female   20  Female
2    Male   50    Male

一般情况下，您很少需要手动循环浏览Series / DataFrame。

编辑：另请注意，对于大型DataFrame，上述代码大大优于@ piRSquared的解决方案：

In [41]: n = 10**5

In [42]: df = pd.DataFrame()

In [43]: df['Sex'] = np.random.choice(['Male', 'Female'], size=n)

In [44]: df['Age'] = np.random.randint(1, 100, size=n)

In [46]: df.head(10)
Out[46]: 
      Sex  Age
0  Female   15
1  Female   91
2  Female   50
3  Female   11
4  Female   59
5  Female   40
6  Female   50
7    Male   28
8    Male   13
9  Female   27

In [47]: %timeit np.where(df.Age.values < 16, 'Child', df.Sex.values)
100 loops, best of 3: 3.06 ms per loop

In [48]: %timeit df.apply(lambda x: 'Child' if x['Age'] < 16 else x['Sex'], axis=1)
1 loop, best of 3: 5.73 s per loop

Answer 2

我将回应@fuglede所说的关于在每次迭代中通过行分配整个列的内容。但是，下面是使用numpy.where

完成任务的矢量化方法

借用@ fuglede的样本数据

df['Person'] = np.where(df.Age.values < 16, 'Child', df.Sex.values)
print(df)

      Sex  Age  Person
0    Male   15   Child
1  Female   20  Female
2    Male   50    Male

如果条件不适用于Titanic Kaggle数据集

2 个答案: