python - 处理从 pandas.df.loc 到空选择的分配

Question

我有一个 Pandas 数据框，df。假设它看起来像这样:

   A  B  C  
1  1  4  7
2  2  5  8
3  3  6  9

我想添加一个新列 D，它是 B 列和 C 列的函数。它是 B 列和 C 列的哪个函数应该取决于 A 列的值。(这与我的一个 previous question 有点相关，但阅读它不是回答这个问题所必需的。)

为了本练习的目的，假设我希望当 A 小于 1.5 时 D 为 B + C，当 A 大于 2.5 时为 B * C，当 A 介于 1.5 和 2.5 之间时为 0。新数据框应如下所示:

   A  B  C  D
1  1  4  7  11
2  2  5  8  0
3  3  6  9  54

我的解决方案如下:

df['D'] = 0.
df.loc[dtfr.A.lt(1.5), 'D'] = dtfr.B + dtfr.C
df.loc[dtfr.B.gt(2.5), 'D'] = dtfr.B * dtfr.C

问题来了。此函数需要在大约一千个数据帧上运行，每个数据帧都是从大型文件数据库中的单个文件编译而来的。有时 - 很少，但有时 - 数据框将不包含为其中一个 df.loc[] 中的第一个语句返回“True”的单个值。例如，一个数据框中的所有值可能都小于 2.5，如本示例数据框中所示。

   A  B  C  
1  0  4  7
2  1  5  8
3  2  6  9

当我尝试运行解决方案的第三行时...

df.loc[dtfr.B.gt(2.5), 'D'] = dtfr.B * dtfr.C

...df.loc[dtfr.B.gt(2.5), 'D'] 的形状是 (0,)，这会导致赋值抛出 ValueError。

ValueError: array is not broadcastable to correct shape

有没有比 try/except for ValueError 更安全的方法来处理这个问题，这看起来风险很大？

Answer 1

这是使用 numpy select 的另一种方式 (documentation here)语法非常简洁:

df['D'] = np.select( [ df.A < 1.5,  df.A > 2.5  ],
                     [ df.B + df.C, df.B * df.C ], default=0 )

   A  B  C   D
1  1  4  7  11
2  2  5  8   0
3  3  6  9  54

它默认为零，但为了完整性我添加了它。我想感谢 @DSM 或 @HappyLeapSecond(我想是其中之一？)几个月前在答案中使用了这个，但我现在找不到那个帖子了。

此外，这是@AmiTavory 的回答 FWIW 的替代语法。

df['D'] = 0
df.D = np.where( df.A < 1.5, df.B + df.C, df.D )
df.D = np.where( df.A > 2.5, df.B * df.C, df.D )