Python新列基于其他列中的NaN

Question

我对 Python 很陌生，这是我的第一个问题，所以请对我温柔一点！

我已经尝试过其他类似问题的答案，但仍然很困难。

我正在使用 Pandas，我有一个数据框，它是多个不同 SQL 表的合并，看起来像这样：

Col_1   Col_2   Col_3   Col_4
1       NaN     NaN     NaN
2       Y       NaN     NaN
3       Z       C       S
4       NaN     B       W

我不关心 Col_2 Col_3 和 Col_4 中的值（请注意，这些值可以是字符串、整数或对象，具体取决于列）

我只关心这些列中至少有一个已填充，因此理想情况下希望第五列如下：

Col_1   Col_2   Col_3   Col_4   Col_5
1       NaN     NaN     NaN     0
2       Y       NaN     NaN     1
3       Z       C       S       1
4       NaN     B       W       1

然后我想删除列 Col_2 到 Col_4。

我最初的想法是类似于下面的函数，但这会将我的数据框从 50000 行减少到 50 行。我不想删除任何行。

def function(row):
   if (isnull.row['col_2'] and isnull.row['col_3'] and isnull.row['col_3'] is None):
      return '0'
   else:
      return '1'

df['col_5'] = df.apply(lambda row: function (row),axis=1)

任何帮助将不胜感激。

Answer 1

使用any 并传递参数axis=1，它会逐行测试这将产生一个布尔数组，当转换为int 时，会将所有True 值转换为1 和False 值到0，这将比调用 apply 快得多，后者将逐行迭代并且会非常慢：

In [30]:

df['Col_5'] = any(df[df.columns[1:]].notnull(), axis=1).astype(int)
df
Out[30]:
   Col_1 Col_2 Col_3 Col_4  Col_5
0      1   NaN   NaN   NaN      0
1      2     Y   NaN   NaN      1
2      3     Z     C     S      1
3      4   NaN     B     W      1

In [31]:

df = df[['Col_1', 'Col_5']]
df
Out[31]:
   Col_1  Col_5
0      1      0
1      2      1
2      3      1
3      4      1

这是any的输出：

In [34]:

any(df[df.columns[1:]].notnull(), axis=1)
Out[34]:
array([False,  True,  True,  True], dtype=bool)

时间

In [35]:

%timeit df[df.columns[1:]].apply(lambda x: all(x.isnull()) , axis=1).astype(int)
%timeit any(df[df.columns[1:]].notnull(), axis=1).astype(int)
100 loops, best of 3: 2.46 ms per loop
1000 loops, best of 3: 1.4 ms per loop

所以在你的 df 这个大小的测试数据上，我的方法比其他答案快 2 倍以上

更新

当您运行 pandas 版本 0.12.0 时，您需要调用顶级 notnull 版本，因为该方法在 df 级别不可用：

any(pd.notnull(df[df.columns[1:]]), axis=1).astype(int)

我建议您升级，因为您将获得更多功能和错误修复。

Answer 2

使用函数：

df['col_5'] =df.apply(lambda x: all(x.isnull()) , axis=1)

因为我的钱更容易阅读。不确定哪个更快。