Question

我有一个类，该类通过比较不同的值返回一个值。该类是：

class feasible:
    def __init__(self,old_difference, for_value, back_value, fall_back_value):
        self.diff=abs(for_value-back_value)
        for_diff=abs(for_value-fall_back_value)
        back_diff=abs(back_value-fall_back_value)
        if self.diff < old_difference:
            self.value=(for_value+back_value)/2
        elif for_diff<back_diff:
            self.value=(for_value)
        else:
            self.value=(back_value)

如果输入是来自不同数据框架的列，我如何应用此类并返回值？

所有输入帧均采用以下格式：

   x         y          theta
0  0.550236 -4.621542   35.071022
1  5.429449 -0.374795   74.884065
2  4.590866 -4.628868  110.697109

我尝试了以下操作，但由于涉及比较，因此返回错误（错误：系列的真值不明确）。

feasible_x=feasible(diff_frame.x,for_frame.x,back_frame.x,filler_frame.x)
filler_frame.x=feasible_x.value

Answer 1

当前，您的方法希望接收标量值，但是您将Pandas系列（即，数据帧的列）传递给该方法。因此，if逻辑需要检查Series的每个元素（许多相同类型值的结构），而不是一个值。因此，您收到模棱两可的真实值的错误。熊猫新手经常会遇到来自通用Python的错误。 Pandas / Numpy与普通Python维护的对象模型不同。

要解决，因为您实际上是在使用条件逻辑来计算新字段，所以请考虑将所有Series参数绑定到一个数据帧中。然后，将if...elif...else的常规Python构造替换为numpy.where，该构造在跨诸如数组的高维对象上运行逻辑。

class feasible:
    def __init__(self, old_difference, for_value, back_value, fall_back_value):
        # HORIZONTAL MERGE (OUTER JOIN) ON INDEX
        x_frame = (pd.concat([old_difference, for_value, back_value, fall_back_value], axis = 1)
                     .set_axis(['old_difference', 'for_value', 'back_value', 'fall_back_value'],
                               axis = 'columns', inplace = False)
                  )

        # ASSIGN NEW CALCULATED COLUMNS
        x_frame['diff'] = (x_frame['for_value'] - x_frame['back_value']).abs()
        x_frame['for_diff'] = (x_frame['for_value'] - x_frame['fall_back_value']).abs()
        x_frame['back_diff'] = (x_frame['back_value'] - x_frame['fall_back_value']).abs()

        # ASSIGN FINAL SERIES BY NESTED CONDITIONAL LOGIC
        self.value = np.where(x_frame['diff'] < x_frame['old_difference'],
                              (x_frame['for_value'] + x_frame['back_value'])/2,
                              np.where(x_frame['for_diff'] < x_frame['back_diff'],
                                       x_frame['for_value'],
                                       x_frame['back_value']
                                      )
                              )

现在，取决于所有四个数据帧的行大小，必须处理结果的不同实现。具体来说，默认情况下，pd.concat处的axis = 1在join='outer'上运行，因此所有行都保留在水平合并操作中，其中NaN填充了不匹配的行。

如果 filler_frame （您打算添加一列的数据帧）等于所有行，则可以进行简单分配。

# IF filler_frame CONTAINS THE MOST ROWS (OR EQUIVALENT TO MOST) OF ALL FOUR DFs
feasible_x = feasible(diff_frame.x,for_frame.x,back_frame.x,filler_frame.x)
filler_frame['x_new'] = feasible_x.value

如果不是新列的左联接，则需要 x_new 。下面将适用于所有情况，包括上面。

# IF filler_frame DOES NOT CONTAIN MOST ROWS OF ALL FOUR DFs
feasible_x = feasible(diff_frame.x,for_frame.x,back_frame.x,filler_frame.x)
filler_frame = filler_frame.join(pd.Series(feasible_x.value).rename('x_new'), how = 'left')

熊猫：将函数应用于不同数据框架的多列

1 个答案: