在许多情况下选择熊猫列变得笨拙

Question

快速熊猫问题：

我通过一系列应用来清除数据框各个列中的值：

# For all values in col 'Rate' over 1, divide by 100

df['rate'][df['rate']>1] = df['rate'][df['rate']>1].apply(lambda x: x/100)

如果选择标准很简单，例如df['rate']>1，这很好。但是，当您开始添加多个选择条件时，这会变得很长：

df['rate'][(df['rate']>1) & (~df['rate'].isnull()) & (df['rate_type']=='fixed) & (df['something']<= 'nothing')] = df['rate'][(df['rate']>1) & (df['rate_type']=='fixed) & (df['something']<= 'nothing')].apply(lambda x: x/100)

最简洁的方法是： 1.从DataFrame中拆分一列（作为一个系列） 2.对系列项目应用功能 3.使用修改后的系列更新DataFrame

我尝试使用df.update()，但这似乎不起作用。我也尝试过将Series用作选择器，例如isin(Series)，但我也无法使它正常工作。

谢谢！

Answer 1

在多种情况下，您可以使用eval使事情变得简单：

mask = df.eval("rate > 1 & rate_type == 'fixed' & something <= 'nothing'")
df.loc[mask, 'rate'] = df['rate'].apply(function)

详细了解如何here动态求值。当然，此特定功能可以向量化为

df.loc[mask, 'rate'] /= 100

Answer 2

它将与update

一起使用

con=(df['rate']>1) & (df['rate_type']=='fixed') & (df['something']<= 'nothing')
df.update(df.loc[con,['rate']].apply(lambda x: x/100))