Question

我有这个数据框：

df = pd.DataFrame({'id':[1,2,3,4], 'score':[0.35,3.4,5.5,8]})
df
  id  score
0  1   0.35
1  2    3.4
2  3    5.5
3  4      8

和此列表：

L = list(range(1,7))
L
[1, 2, 3, 4, 5, 6]

我想将df.scores的值四舍五入为L中最接近的值。因此，我想得到：

df
  id  score
0  1      1
1  2      3
2  3      6
3  4      6

我尝试了

df['score'].apply(lambda num : min([list(range(1,7)), key = lambda x:abs(x-num)])

但是它没有用（我是一个初学者，如果这种尝试是没有道理的，对不起。）

我该怎么办？谢谢您的帮助

Answer 1

如果大型DataFrame和性能很重要，则Numpy解决方案会更好：

L = list(range(1,7))
a =  np.array(L)

df['score'] = a[np.argmin(np.abs(df['score'].values - a[:, None]), axis=0)]
print (df)
   id  score
0   1      1
1   2      3
2   3      5
3   4      6

工作方式：

首先将列表转换为数组：

print (a)
[1 2 3 4 5 6]

然后将[:, None]广播到所有组合的2d数组中减去：

print (df['score'].values - a[:, None])
[[-0.65  2.4   4.5   7.  ]
 [-1.65  1.4   3.5   6.  ]
 [-2.65  0.4   2.5   5.  ]
 [-3.65 -0.6   1.5   4.  ]
 [-4.65 -1.6   0.5   3.  ]
 [-5.65 -2.6  -0.5   2.  ]]

将值转换为绝对值：

print (np.abs(df['score'].values - a[:, None]))
[[0.65 2.4  4.5  7.  ]
 [1.65 1.4  3.5  6.  ]
 [2.65 0.4  2.5  5.  ]
 [3.65 0.6  1.5  4.  ]
 [4.65 1.6  0.5  3.  ]
 [5.65 2.6  0.5  2.  ]]

获取最小值的位置：

print (np.argmin(np.abs(df['score'].values - a[:, None]), axis=0))
[0 2 4 5]

因此，如果使用索引获取a的值：

print (a[np.argmin(np.abs(df['score'].values - a[:, None]), axis=0)])
[1 3 5 6]

Answer 2

您真的很亲密！我更新了DataFrame中的值，并整理了lambda函数。

v₁ ◌ v₂ ◌ ⋯ ◌ vₙ

输出：

df = pd.DataFrame({'id':[1,2,3,4], 'score':[0.35,3.4,5.5,8]})
L = list(range(1,7))

df['score'] = df['score'].apply(lambda num : min(L, key=lambda x:abs(x-num)))

根据授权值舍入python数据框列的值

2 个答案: