Pandas DataFrame：如果为空，则复制列的内容

Question

我有以下带有命名列和索引的 DataFrame：

  'a'     'a*'    'b'    'b*'
1  5      NaN     9      NaN
2  NaN    3       3      NaN
3  4      NaN     1      NaN
4  NaN    9       NaN    7

数据源导致某些列标题的复制略有不同。例如，如上，一些列标题是一个字符串，而一些列标题是带有附加“*”字符的相同字符串。

我想将a* 和b* 列中的任何值（不为空）分别复制到a 和b。

有没有一种有效的方法来做这样的操作？

Answer 1

使用np.where

df['a']= np.where(df['a'].isnull(), df['a*'], df['a'])
df['b']= np.where(df['b'].isnull(), df['b*'], df['b'])

输出：

     a  a*  b   b*
0   5.0 NaN 9.0 NaN
1   3.0 3.0 3.0 NaN
2   4.0 NaN 1.0 NaN
3   9.0 9.0 7.0 7.0

Answer 2

使用fillna() 比np.where 慢很多，但它的优点是只能使用pandas。如果您想要一个更快的方法并保持pandas 纯，您可以使用combine_first()，根据文档用于：

组合 Series 值，首先选择调用 Series 的值。结果索引将是两个索引的并集

翻译：这是一种旨在完全按照问题要求执行的方法。

如何使用它？

df['a'].combine_first(df['a*'])

性能：

df = pd.DataFrame({'A': [0, None, 1, 2, 3, None] * 10000, 'A*': [4, 4, 5, 6, 7, 8] * 10000})

def using_fillna(df):
    return df['A'].fillna(df['A*'])

def using_combine_first(df):
    return df['A'].combine_first(df['A*'])

def using_np_where(df):
    return np.where(df['A'].isnull(), df['A*'], df['A'])

def using_np_where_numpy(df):
    return np.where(np.isnan(df['A'].values), df['A*'].values, df['A'].values)

%timeit -n 100 using_fillna(df)
%timeit -n 100 using_combine_first(df)
%timeit -n 100 using_np_where(df)
%timeit -n 100 using_np_where_numpy(df)

1.34 ms ± 71.5 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
281 µs ± 15.7 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
257 µs ± 16.4 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
166 µs ± 10.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

Answer 3

为了获得更好的性能，可以使用 numpy.isnan 并通过 values 将 Series 转换为 numpy 数组：

df['a'] = np.where(np.isnan(df['a'].values), df['a*'].values, df['a'].values)
df['b'] = np.where(np.isnan(df['b'].values), df['b*'].values, df['a'].values)

另一个通用解决方案，如果在 DataFrame 的列中只存在有/没有 * 的对，并且有必要删除 * 列：

首先由split创建MultiIndex并附加*val：

df.columns = (df.columns + '*val').str.split('*', expand=True, n=1)

然后通过DataFrame.xs 选择DataFrames，所以DataFrame.fillna 工作得很好：

df = df.xs('*val', axis=1, level=1).fillna(df.xs('val', axis=1, level=1))
print (df)
     a    b
1  5.0  9.0
2  3.0  3.0
3  4.0  1.0
4  9.0  7.0

性能：（取决于缺失值的数量和DataFrame的长度）

df = pd.DataFrame({'A': [0, np.nan, 1, 2, 3, np.nan] * 10000, 
                   'A*': [4, 4, 5, 6, 7, 8] * 10000})

def using_fillna(df):
    df['A'] = df['A'].fillna(df['A*'])
    return df

def using_np_where(df):
    df['B'] = np.where(df['A'].isnull(), df['A*'], df['A'])
    return df

def using_np_where_numpy(df):
    df['C'] = np.where(np.isnan(df['A'].values), df['A*'].values, df['A'].values)
    return df

def using_combine_first(df):
    df['D'] = df['A'].combine_first(df['A*'])
    return df

%timeit -n 100 using_fillna(df)
%timeit -n 100 using_np_where(df)
%timeit -n 100 using_combine_first(df)
%timeit -n 100 using_np_where_numpy(df)

1.15 ms ± 89.6 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
533 µs ± 13.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
591 µs ± 38.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
423 µs ± 21.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)