极客笔记Pandas 如何根据条件替换列中的值
在Python中，我们可以使用Pandas内置函数如 loc、where、mask、apply和lambda 等，根据条件替换列中的值。Pandas是一个用于数据处理和处理结构化数据的Python库。在本文中，我们将根据条件在Pandas中替换列中的值。
方法1：使用loc
loc函数用于在DataFrame中访问一组行和列。我们可以使用该函数根据某个条件替换列中的值。
语法
df.loc[row_labels, column_labels]
loc 方法用于基于标签从DataFrame中选择行和列。在这里， row_labels 是一个标签或标签列表，用于从DataFrame中选择行，而 column_labels 是一个标签或标签列表，用于选择DataFrame中的列。
示例
在下面的示例中，我们将用’Male’替换年龄大于50岁的人的性别，在我们创建的数据框中。我们使用df.loc[df[‘age’] >= 50, ‘gender’]来访问所有年龄大于或等于50的行，并且这些行的’gender’列。然后，我们用’M’替换了’gender’列的值。
import pandas as pd
data = {
'name': ['Alice', 'Bob', 'Charlie', 'David', 'Emily'],
'age': [25, 35, 45, 55, 65],
'gender': ['F', 'M', 'M', 'F', 'F']
}
df = pd.DataFrame(data)
df.loc[df['age'] >= 50, 'gender'] = 'M'
print(df)
输出
name age gender
0 Alice 25 F
1 Bob 35 M
2 Charlie 45 M
3 David 55 M
4 Emily 65 M
方法2：使用where和mask
where和mask函数用于根据条件替换值。where函数用于替换条件为False的值，而mask函数用于替换条件为True的值。
语法
df.where(condition, other=nan, inplace=False, axis=None, level=None, errors='raise')
df.mask(condition, other=nan, inplace=False, axis=None, level=None, errors='raise')
where和mask方法是根据条件在DataFrame中替换值的。在这里，condition是一个布尔数组或可调用函数，指定替换的条件。other是要替换现有值的值。如果inplace为True，则会修改原始DataFrame。axis指定是否替换行（0）或列（1）上的值。level指定多级索引的级别。errors指定如何处理错误。
示例
在下面的示例中，我们将替换所有性别为男性的人的年龄为0。我们使用df[‘age’].where(df[‘gender’] != ‘M’, 0)将年龄为’M’的地方替换为0。
import pandas as pd
data = {
'name': ['Alice', 'Bob', 'Charlie', 'David', 'Emily'],
'age': [25, 35, 45, 55, 65],
'gender': ['F', 'M', 'M', 'F', 'F']
}
df = pd.DataFrame(data)
df['age'] = df['age'].where(df['gender'] != 'M', 0)
print(df)
输出
name age gender
0 Alice 25 F
1 Bob 0 M
2 Charlie 0 M
3 David 55 F
4 Emily 65 F
我们也可以使用mask方法进行相同的操作。
import pandas as pd
data = {
'name': ['Alice', 'Bob', 'Charlie', 'David', 'Emily'],
'age': [25, 35, 45, 55, 65],
'gender': ['F', 'M', 'M', 'F', 'F']
}
df = pd.DataFrame(data)
df['age'] = df['age'].mask(df['gender'] == 'M', 0)
print(df)
输出
name age gender
0 Alice 25 F
1 Bob 0 M
2 Charlie 0 M
3 David 55 F
4 Emily 65 F
方法3：使用apply和lambda函数
我们还可以使用apply函数与lambda函数结合，根据某些条件在列中替换值。
语法
df.apply(func, axis=0, raw=False, result_type=None, args=(), **kwds)
lambda arguments: expression
apply方法用于将函数应用于DataFrame。lambda函数是一种匿名函数的类型，可以与apply方法一起使用，将函数应用于DataFrame的每一行或列。在这里， func 是要应用于DataFrame的函数。 axis 指定是应用到行（0）还是列（1）。 raw 为True时，函数应用于底层的numpy数组。 result_types 指定结果对象的类型。 args 是要传递给函数的参数元组。 ****kwds** 是要传递给函数的其他关键字参数。
示例
在下面的示例中，我们使用了df.apply(lambda x: ‘F’ if x[‘name’].startswith(‘A’) else x[‘gender’], axis=1)来将lambda函数应用于DataFrame的每一行。lambda函数在姓名以’A’开头的地方将性别替换为’F’。
import pandas as pd
data = {
'name': ['Alice', 'Bob', 'Charlie', 'David', 'Emily'],
'age': [25, 35, 45, 55, 65],
'gender': ['F', 'M', 'M', 'F', 'F']
}
df = pd.DataFrame(data)
df['gender'] = df.apply(lambda x: 'F' if x['name'].startswith('A') else x['gender'], axis=1)
print(df)
输出
name age gender
0 Alice 25 F
1 Bob 35 M
2 Charlie 45 M
3 David 55 F
4 Emily 65 F
方法4：使用map方法
map方法用于根据字典替换DataFrame列中的值。
语法
df['column'] = df['column'].map(dict)
在这里， column 是要替换值的列， dict 是一个将旧值映射到新值的字典。
示例
如果我们想将年龄小于或等于30岁的所有人的性别替换为’F’。我们可以使用map方法，像这样 –
import pandas as pd
data = {
'name': ['Alice', 'Bob', 'Charlie', 'David', 'Emily'],
'age': [25, 35, 45, 55, 65],
'gender': ['F', 'M', 'M', 'F', 'F']
}
df = pd.DataFrame(data)
df['age'] = df['age'].mask(df['gender'] == 'M', 0)
print(df)
输出
name age gender
0 Alice 25 F
1 Bob 0 M
2 Charlie 0 M
3 David 55 F
4 Emily 65 F
方法5：使用numpy.where()方法
numpy.where()方法用于根据条件替换DataFrame列中的值。
语法
df['column'] = np.where(condition, x, y)
在这里， condition 是一个布尔数组，指定替换的条件。
X 是原始值的替换值，当条件为True时。
y 是条件为False时要保留的值。
示例
如果我们想要用0替换所有性别为’M’的人的年龄。我们可以使用numpy.where()方法，像这样 –
import pandas as pd
import numpy as np
data = {
'name': ['Alice', 'Bob', 'Charlie', 'David', 'Emily'],
'age': [25, 35, 45, 55, 65],
'gender': ['F', 'M', 'M', 'F', 'F']
}
df = pd.DataFrame(data)
df['age'] = np.where(df['gender'] == 'M', 0, df['age'])
print(df)
输出
name age gender
0 Alice 25 F
1 Bob 0 M
2 Charlie 0 M
3 David 55 F
4 Emily 65 F
结论
在下面的示例中，我们讨论了如何使用Python内置方法（如loc、where和mask、apply和lambda、map()以及numpy.where()方法）在pandas中基于条件替换列中的值。根据场景和数据类型的不同，某种方法可能比其他方法更合适。选择高效且易于理解的方法始终是一个好的实践。