我有一个看起来像这样的熊猫数据框：
portion used
0 1 1.0
1 2 0.3
2 3 0.0
3 4 0.8
我想基于used 列创建一个新列，使df 看起来像这样：
portion used alert
0 1 1.0 Full
1 2 0.3 Partial
2 3 0.0 Empty
3 4 0.8 Partial
alert 列基于used 是1.0，则alert 应该是Full。used 是0.0，则alert 应该是Empty。alert 应该是 Partial。最好的方法是什么？
【问题讨论】：
标签： python pandas conditional calculated-columns
您可以定义一个返回不同状态“Full”、“Partial”、“Empty”等的函数，然后使用df.apply 将该函数应用于每一行。请注意，您必须传递关键字参数 axis=1 以确保它将函数应用于行。
import pandas as pd
def alert(row):
if row['used'] == 1.0:
return 'Full'
elif row['used'] == 0.0:
return 'Empty'
elif 0.0 < row['used'] < 1.0:
return 'Partial'
else:
return 'Undefined'
df = pd.DataFrame(data={'portion':[1, 2, 3, 4], 'used':[1.0, 0.3, 0.0, 0.8]})
df['alert'] = df.apply(alert, axis=1)
# portion used alert
# 0 1 1.0 Full
# 1 2 0.3 Partial
# 2 3 0.0 Empty
# 3 4 0.8 Partial
【讨论】：
axis=1），您可以将参数c 重命名为row，这样很明显您可以访问行中的所有值函数。
或者你可以这样做：
import pandas as pd
import numpy as np
df = pd.DataFrame(data={'portion':np.arange(10000), 'used':np.random.rand(10000)})
%%timeit
df.loc[df['used'] == 1.0, 'alert'] = 'Full'
df.loc[df['used'] == 0.0, 'alert'] = 'Empty'
df.loc[(df['used'] >0.0) & (df['used'] < 1.0), 'alert'] = 'Partial'
它提供相同的输出，但在 10000 行上运行速度大约快 100 倍：
100 loops, best of 3: 2.91 ms per loop
然后使用应用：
%timeit df['alert'] = df.apply(alert, axis=1)
1 loops, best of 3: 287 ms per loop
我想选择取决于您的数据框有多大。
【讨论】：
%%timeit 之后运行 3 行代码。 timeit 程序会自动选择循环数（在这种情况下为 100），以便在一些合理的“超时”内提供更稳健的测量（即，如果运行 1 个循环比此“超时”长，则只有 1 个循环，例如在“使用应用”的情况下）。 timeit 的结果应该在“每 1 个循环”的基础上进行比较。这就是为什么有“运行速度大约快 100 倍”短语的原因：耗时 2.91 毫秒的 1 个循环比耗时 287 毫秒的 1 个循环快大约 100 倍。
使用np.where，通常很快
In [845]: df['alert'] = np.where(df.used == 1, 'Full',
np.where(df.used == 0, 'Empty', 'Partial'))
In [846]: df
Out[846]:
portion used alert
0 1 1.0 Full
1 2 0.3 Partial
2 3 0.0 Empty
3 4 0.8 Partial
时间
In [848]: df.shape
Out[848]: (100000, 3)
In [849]: %timeit df['alert'] = np.where(df.used == 1, 'Full', np.where(df.used == 0, 'Empty', 'Partial'))
100 loops, best of 3: 6.17 ms per loop
In [850]: %%timeit
...: df.loc[df['used'] == 1.0, 'alert'] = 'Full'
...: df.loc[df['used'] == 0.0, 'alert'] = 'Empty'
...: df.loc[(df['used'] >0.0) & (df['used'] < 1.0), 'alert'] = 'Partial'
...:
10 loops, best of 3: 21.9 ms per loop
In [851]: %timeit df['alert'] = df.apply(alert, axis=1)
1 loop, best of 3: 2.79 s per loop
【讨论】：
无法发表评论，因此提出新的答案：改进 Ffisegydd 的方法，您可以使用字典和 dict.get() 方法使传递给 .apply() 的函数更易于管理：
import pandas as pd
def alert(c):
mapping = {1.0: 'Full', 0.0: 'Empty'}
return mapping.get(c['used'], 'Partial')
df = pd.DataFrame(data={'portion':[1, 2, 3, 4], 'used':[1.0, 0.3, 0.0, 0.8]})
df['alert'] = df.apply(alert, axis=1)
根据用例，您可能还想在函数定义之外定义字典。
【讨论】：
df['TaxStatus'] = np.where(df.Public == 1, True, np.where(df.Public == 2, False))
这似乎可行，但 ValueError 除外：应给出 x 和 y 两者或都不给出
【讨论】：
np.select() 用于>2 个条件鉴于像 OP 的示例这样的 >2 个条件，np.select() 比嵌套多个级别的 np.where() 干净得多（并且同样快）。
将条件/选择定义为两个列表（按元素配对），带有可选的默认值（“else”情况）：
conditions = [
df.used.eq(0),
df.used.eq(1),
]
choices = [
'Empty',
'Full',
]
df['alert'] = np.select(conditions, choices, default='Partial')
或将条件/选择定义为可维护性的字典（在进行添加/修订时更容易使它们正确配对）：
conditions = {
'Empty': df.used.eq(0),
'Full': df.used.eq(1),
}
df['alert'] = np.select(conditions.values(), conditions.keys(), default='Partial')
np.select() 非常快具有 5 个条件（满、高、中、低、空）的时序：
df = pd.DataFrame({'used': np.random.randint(10 + 1, size=10)}).div(10)
【讨论】：