Pandas Dataframe：有条件地选择列

Question

我有一个熊猫数据框，如下所示...

   C1  C2   C3     C4
0  -1   -3   3   0.75
1  10   20  30  -0.50 

我只想在每行中添加值小于零的前两列。例如，对于上述情况，我将获得的系列如下...

   CR
0  -4
1  0

我知道如何应用下面的其他功能...

df.iloc[:, :-2].abs().sum(axis = 1)

有没有办法使用 lambda 函数？

Answer 1

看来您需要通过iloc 选择where 和sum：

df = df.iloc[:,:2].where(df < 0).sum(axis=1)
print (df)
0   -4.0
1    0.0
dtype: float64

如果需要selection by callable的解决方案：

df = df.iloc[:, lambda df: [0,1]].where(df < 0).sum(axis=1)
print (df)
0   -4.0
1    0.0
dtype: float64

python 中的 lambda 函数在这里也适用。

熊猫中的 lambda：

#sample data
np.random.seed(100)
df = pd.DataFrame(np.random.randint(10, size=(5,5)), columns=list('ABCDE'))
print (df)
   A  B  C  D  E
0  8  8  3  7  7
1  0  4  2  5  2
2  2  2  1  0  8
3  4  0  9  6  2
4  4  1  5  3  4

按行获取差异.apply(axis=0) 默认值相同.apply()：

#instead function f1 is possible use lambda, if function is simple
print (df.apply(lambda x: x.max() - x.min()))
A    8
B    8
C    8
D    7
E    6
dtype: int64

def f1(x):
    #print (x)
    return x.max() - x.min()

print (df.apply(f1))
A    8
B    8
C    8
D    7
E    6
dtype: int64

按列获取差异.apply(axis=1)

#instead function f2 is possible use lambda, if function is simple
print (df.apply(lambda x: x.max() - x.min(), axis=1))
0    5
1    5
2    8
3    9
4    4
dtype: int64

def f2(x):
    #print (x)
    return x.max() - x.min()

print (df.apply(f2, axis=1))
0    5
1    5
2    8
3    9
4    4
dtype: int64