Question

的回答

我有两个关于代码的问题，遗憾的是我还没有50个代表对答案发表评论，所以我希望我能在这里得到一些帮助。

In [24]: changed = ne_stacked[ne_stacked]做了什么？我不确定df1 = df [df]做什么，我似乎无法从熊猫文档中得到答案，有人可以向我解释一下吗？
np.where(df1 != df2)与pd.df.where(df1 != df2)相同。如果不是，有什么区别？

Answer 1

问题1

FooGround是由ne_stacked和pd.Series值组成的True，表示False和df1不相等的位置。

df2是一种过滤系列ne_stacked[boolean_array]的方法，它通过消除ne_stacked ne_stacked boolean_array的行False并保留{{1}行其中ne_stacked是boolean_array。

恰好True也是一个布尔数组，因此可用于过滤自身。为什么要这样做？因此，我们可以看到在过滤后索引的值是什么。

所以ne_stacked是ne_stacked[ne_stacked]的子集，只有ne_stacked个值。

问题2

True

np.where做了两件事，如果你只传递np.where中的条件，你得到一个np.where(df1 != df2)数组，其中第一个是所有行索引的引用，用于与tuple的第二个元素相结合，它是对所有列索引的引用。我通常像这样使用它

tuple

现在，我可以了解i, j = np.where(df1 != df2)或df1中存在差异的所有元素，例如

df2

或者我可以分配给那些单元格

df.values[i, j]

或许多其他有用的东西。

你也可以使用df.values[i, j] = -99作为if，然后使用else作为数组

np.where

要生成与np.where(df1 != df2, -99, 99)或df1相同的数组，其中df2和-99位于df1 != df2和99的所有位置。

df.where

另一方面，df.where计算布尔值的第一个参数，并将大小相等的对象返回到df，其中保留评估为True的单元格，其余的都是np.nan或df.where

的第二个参数中传递的值

df1.where(df1 != df2)

或者

df1.where(df1 != df2, -99)

他们是一样的吗？
显然他们不是“相同的”。但你可以类似地使用它们

np.where(df1 != df2, df1, -99)

应与

相同

df1.where(df1 != df2, -99).values