熊猫数据框中的条件列算术

Question

我有一个具有以下结构的熊猫数据框：

import numpy as np
import pandas as pd
myData = pd.DataFrame({'x': [1.2,2.4,5.3,2.3,4.1], 'y': [6.7,7.5,8.1,5.3,8.3], 'condition':[1,1,np.nan,np.nan,1],'calculation': [np.nan]*5})

print myData

   calculation  condition    x    y
0          NaN          1  1.2  6.7
1          NaN          1  2.4  7.5
2          NaN        NaN  5.3  8.1
3          NaN        NaN  2.3  5.3
4          NaN          1  4.1  8.3

我想根据“x”和“y”中的值（例如 x/y）在“计算”列中输入一个值，但仅限于“条件”列包含 NaN 的单元格中（np.isnan (myData['condition'])。最终的数据框应如下所示：

   calculation  condition    x    y
0          NaN          1  1.2  6.7
1          NaN          1  2.4  7.5
2        0.654        NaN  5.3  8.1
3        0.434        NaN  2.3  5.3
4          NaN          1  4.1  8.3

我很高兴使用“for”循环依次遍历每一行，然后使用“if”语句进行计算，但我拥有的实际数据框非常大，我想在基于数组的方式。这可能吗？我想我可以计算所有行的值，然后删除我不想要的行，但这似乎浪费了很多精力（NaN 在数据框中非常少见），并且在某些情况下，“条件”等于 1 , 因被零除而无法计算。

提前致谢。

Answer 1

EdChum 的回答对我很有效！不过，我想扩展这个线程，因为我认为它对其他人有用。

假设您的数据框是

          c     x    y
0         1   1.2  6.7
1         1   2.4  7.5
2         0   5.3  8.1
3         0   2.3  5.3
4         1   4.1  8.3

并且您想用关联的 x/y 更新列 c 中的 0。

          c     x    y
0         1   1.2  6.7
1         1   2.4  7.5
2      0.65   5.3  8.1
3      0.43   2.3  5.3
4         1   4.1  8.3

你可以的

myData['c'] = (myData['x']/myData['y']).where(cond=myData['c']==0, other=myData['c'])

或

myData['c'].where(cond=myData['c'] != 0, other=myData['x']/myData['y'], inplace=True)

在不满足 'cond' 的两种情况下，都会执行 'other'。在第二个代码 sn-p 中，inplace 标志也可以很好地工作（就像在第一个代码 sn-p 中一样。）

我从pandas official site "where" 和pandas official site "indexing" 找到了这些解决方案

这种操作正是我最需要的。我是 Pandas 的新手，我花了一段时间才找到这个有用的线程。谁能推荐一些综合教程来练习这些类型的算术运算？我需要“过滤/分组/切片数据帧，然后分别或一次将不同的功能/操作应用于每个组/切片，并将其全部保留。”干杯！

Answer 2

使用where 并将您的条件传递给它，这将只在行满足条件时执行您的计算：

In [117]:

myData['calculation'] = (myData['x']/myData['y']).where(myData['condition'].isnull())
myData
Out[117]:
   calculation  condition    x    y
0          NaN          1  1.2  6.7
1          NaN          1  2.4  7.5
2     0.654321        NaN  5.3  8.1
3     0.433962        NaN  2.3  5.3
4          NaN          1  4.1  8.3