เปลี่ยนค่าหนึ่งตามค่าอื่นในแพนด้า

Question 1

ฉันพยายามตั้งโปรแกรมรหัส Stata ของฉันใหม่ใน Python เพื่อปรับปรุงความเร็วและฉันถูกชี้ไปในทิศทางของ PANDAS อย่างไรก็ตามฉันมีช่วงเวลาที่ยากลำบากในการคิดวิธีประมวลผลข้อมูล

สมมติว่าฉันต้องการวนซ้ำค่าทั้งหมดในหัวคอลัมน์ 'ID' หาก ID นั้นตรงกับตัวเลขที่ระบุฉันต้องการเปลี่ยนค่าที่ตรงกันสองค่า FirstName และ LastName

ใน Stata มีลักษณะดังนี้:

replace FirstName = "Matt" if ID==103
replace LastName =  "Jones" if ID==103

ดังนั้นสิ่งนี้จะแทนที่ค่าทั้งหมดใน FirstName ที่สอดคล้องกับค่า ID == 103 ถึง Matt

ในแพนดาสฉันกำลังลองอะไรแบบนี้

df = read_csv("test.csv")
for i in df['ID']:
    if i ==103:
          ...

ไม่แน่ใจว่าจะไปจากที่นี่ ความคิดใด ๆ ?

Question 2

ทางเลือกหนึ่งคือใช้คุณสมบัติการแบ่งส่วนและการทำดัชนีของ Python เพื่อประเมินสถานที่ที่เงื่อนไขของคุณเก็บและเขียนทับข้อมูลที่นั่นอย่างมีเหตุผล

สมมติว่าคุณสามารถโหลดข้อมูลของคุณได้โดยตรงpandasด้วยpandas.read_csvรหัสต่อไปนี้อาจเป็นประโยชน์สำหรับคุณ

import pandas
df = pandas.read_csv("test.csv")
df.loc[df.ID == 103, 'FirstName'] = "Matt"
df.loc[df.ID == 103, 'LastName'] = "Jones"

ดังที่ได้กล่าวไว้ในความคิดเห็นคุณยังสามารถกำหนดให้กับทั้งสองคอลัมน์ได้ในช็อตเดียว:

df.loc[df.ID == 103, ['FirstName', 'LastName']] = 'Matt', 'Jones'

โปรดทราบว่าคุณจะต้องpandasใช้เวอร์ชัน 0.11 หรือใหม่กว่าเพื่อใช้ในlocการเขียนทับการดำเนินการมอบหมาย

อีกวิธีหนึ่งที่ทำได้คือใช้สิ่งที่เรียกว่าการมอบหมายงานที่ถูกล่ามโซ่ ลักษณะการทำงานของสิ่งนี้มีความเสถียรน้อยกว่าดังนั้นจึงไม่ถือว่าเป็นวิธีแก้ปัญหาที่ดีที่สุด (เป็นสิ่งที่ไม่พึงปรารถนาอย่างชัดเจนในเอกสาร) แต่ควรทราบเกี่ยวกับ:

import pandas
df = pandas.read_csv("test.csv")
df['FirstName'][df.ID == 103] = "Matt"
df['LastName'][df.ID == 103] = "Jones"

Question 3

คุณสามารถใช้mapมันสามารถแมป vales จาก Dictonairy หรือแม้แต่ฟังก์ชันที่กำหนดเอง

สมมติว่านี่คือ df ของคุณ:

    ID First_Name Last_Name
0  103          a         b
1  104          c         d

สร้างคำสั่ง:

fnames = {103: "Matt", 104: "Mr"}
lnames = {103: "Jones", 104: "X"}

และแผนที่:

df['First_Name'] = df['ID'].map(fnames)
df['Last_Name'] = df['ID'].map(lnames)

ผลลัพธ์จะเป็น:

    ID First_Name Last_Name
0  103       Matt     Jones
1  104         Mr         X

หรือใช้ฟังก์ชันแบบกำหนดเอง:

names = {103: ("Matt", "Jones"), 104: ("Mr", "X")}
df['First_Name'] = df['ID'].map(lambda x: names[x][0])

Question 4

คำถามเดิมกล่าวถึงกรณีการใช้งานที่เฉพาะเจาะจง สำหรับผู้ที่ต้องการคำตอบทั่วไปเพิ่มเติมนี่คือตัวอย่างบางส่วน:

การสร้างคอลัมน์ใหม่โดยใช้ข้อมูลจากคอลัมน์อื่น

รับดาต้าเฟรมด้านล่าง:

import pandas as pd
import numpy as np

df = pd.DataFrame([['dog', 'hound', 5],
                   ['cat', 'ragdoll', 1]],
                  columns=['animal', 'type', 'age'])

In[1]:
Out[1]:
  animal     type  age
----------------------
0    dog    hound    5
1    cat  ragdoll    1

ด้านล่างนี้เรากำลังเพิ่มdescriptionคอลัมน์ใหม่เป็นการเรียงต่อกันของคอลัมน์อื่น ๆ โดยใช้การ+ดำเนินการที่ถูกแทนที่สำหรับชุดข้อมูล การจัดรูปแบบสตริงแฟนซี, f-strings ฯลฯ จะไม่ทำงานที่นี่เนื่องจาก+ใช้กับสเกลาร์ไม่ใช่ค่า 'ดั้งเดิม':

df['description'] = 'A ' + df.age.astype(str) + ' years old ' \
                    + df.type + ' ' + df.animal

In [2]: df
Out[2]:
  animal     type  age                description
-------------------------------------------------
0    dog    hound    5    A 5 years old hound dog
1    cat  ragdoll    1  A 1 years old ragdoll cat

เราได้รับ1 yearsสำหรับแมว (แทน1 year) ซึ่งเราจะแก้ไขด้านล่างโดยใช้เงื่อนไข

การแก้ไขคอลัมน์ที่มีอยู่ด้วยเงื่อนไข

ที่นี่เรากำลังแทนที่animalคอลัมน์เดิมด้วยค่าจากคอลัมน์อื่นและใช้np.whereเพื่อตั้งค่าสตริงย่อยตามเงื่อนไขตามค่าของage:

# append 's' to 'age' if it's greater than 1
df.animal = df.animal + ", " + df.type + ", " + \
    df.age.astype(str) + " year" + np.where(df.age > 1, 's', '')

In [3]: df
Out[3]:
                 animal     type  age
-------------------------------------
0   dog, hound, 5 years    hound    5
1  cat, ragdoll, 1 year  ragdoll    1

การแก้ไขหลายคอลัมน์ด้วยเงื่อนไข

วิธีการที่ยืดหยุ่นกว่าคือการเรียก.apply()ใช้ดาต้าเฟรมทั้งหมดแทนที่จะอยู่ในคอลัมน์เดียว:

def transform_row(r):
    r.animal = 'wild ' + r.type
    r.type = r.animal + ' creature'
    r.age = "{} year{}".format(r.age, r.age > 1 and 's' or '')
    return r

df.apply(transform_row, axis=1)

In[4]:
Out[4]:
         animal            type      age
----------------------------------------
0    wild hound    dog creature  5 years
1  wild ragdoll    cat creature   1 year

ในโค้ดด้านบนtransform_row(r)ฟังก์ชันจะใช้Seriesวัตถุที่เป็นตัวแทนของแถวที่กำหนด (ระบุโดยaxis=1ค่าเริ่มต้นของaxis=0จะระบุSeriesอ็อบเจ็กต์สำหรับแต่ละคอลัมน์) สิ่งนี้ช่วยลดความยุ่งยากในการประมวลผลเนื่องจากเราสามารถเข้าถึงค่า 'ดั้งเดิม' จริงในแถวโดยใช้ชื่อคอลัมน์และสามารถมองเห็นเซลล์อื่นในแถว / คอลัมน์ที่กำหนดได้

Question 5

คำถามนี้อาจยังคงมีผู้เยี่ยมชมบ่อยพอสมควรที่จะเสนอภาคผนวกสำหรับคำตอบของ Mr Kassies dictตัวในชั้นเรียนสามารถย่อยประเภทเพื่อให้เริ่มต้นจะถูกส่งกลับสำหรับ 'หายไป' กุญแจ กลไกนี้ใช้ได้ดีกับหมีแพนด้า แต่ดูด้านล่าง.

ด้วยวิธีนี้จึงเป็นไปได้ที่จะหลีกเลี่ยงข้อผิดพลาดที่สำคัญ

>>> import pandas as pd
>>> data = { 'ID': [ 101, 201, 301, 401 ] }
>>> df = pd.DataFrame(data)
>>> class SurnameMap(dict):
...     def __missing__(self, key):
...         return ''
...     
>>> surnamemap = SurnameMap()
>>> surnamemap[101] = 'Mohanty'
>>> surnamemap[301] = 'Drake'
>>> df['Surname'] = df['ID'].apply(lambda x: surnamemap[x])
>>> df
    ID  Surname
0  101  Mohanty
1  201         
2  301    Drake
3  401

สิ่งเดียวกันสามารถทำได้ง่ายกว่าด้วยวิธีต่อไปนี้ การใช้อาร์กิวเมนต์ 'default' สำหรับgetเมธอดของวัตถุ dict ทำให้ไม่จำเป็นต้อง subclass a dict

>>> import pandas as pd
>>> data = { 'ID': [ 101, 201, 301, 401 ] }
>>> df = pd.DataFrame(data)
>>> surnamemap = {}
>>> surnamemap[101] = 'Mohanty'
>>> surnamemap[301] = 'Drake'
>>> df['Surname'] = df['ID'].apply(lambda x: surnamemap.get(x, ''))
>>> df
    ID  Surname
0  101  Mohanty
1  201         
2  301    Drake
3  401