python - 通过对 pandas 数据框中的奇数行和偶数行使用不同的条件来生成新列

Question

我有以下 pandas 数据框:

     A       B
0   16.3    1.10
1   23.2    1.33
2   10.7   -0.43
3   5.7    -2.01
4   5.4    -1.86
5   23.5    3.14

我想要完成的是通过比较 2 个相邻行中 A 列中的值来生成第三列，并对接下来的 2 行执行相同的操作，依此类推。

这可能有点令人困惑，所以我举一个例子:

• 对于第一行，如果 16.3 - 23.2 < 5那么新列第一行的值C应该是Bad ，如果该差异是 ==5那么新列应该是 Decent和Good如果差异是 >5
• 对于第二行，应用相同类型的逻辑，但使用 23.2 - 16.3相反并生成 C 的值对于该差异的那一行
• 对第 3 行和第 4 行执行相同的操作，第 5 行和第 6 行作为一对，依此类推

因此生成的数据框应如下所示:

     A       B      C
0   16.3    1.10   Bad
1   23.2    1.33   Good
2   10.7   -0.43   Decent
3   5.7    -2.01   Bad
4   5.4    -1.86   Bad
5   23.5    3.14   Good

我环顾了一下，发现你可以定义一个返回不同状态的函数，然后使用 df.apply。

所以我想也许可以创建 2 个函数:一个用于比较 A 的值的奇数行。到下一行，另一个用于与上一行进行比较的偶数行。

但是，我无法理解如何将这两个函数一起应用来生成列 C .

我该如何实现这一点，或者如果有更简单的解决方案，该怎么做？

Answer 1

您可以使用numpy.select与 numpy.isclose用于比较 float 和精度，用于交换值创建辅助 DataFrame。

注意:
适用于行数对的解决方案。

print (df)
      A      B
0  16.3   1.10
1  23.2   1.33
2  10.7  -0.43
3   5.7  -2.01
4   5.4  -1.86
5  23.5   3.14
6  11.7   4.00
7  24.9  10.00

#create default Rangeindex
df = df.reset_index(drop=True) 

#MultiIndex by integer and modulo division with reshape
df1 = df.set_index([df.index // 2, df.index % 2]).unstack()
#subtract first values with second in MultiIndex
df1 = df1.xs(0, axis=1, level=1) - df1.xs(1, axis=1, level=1)
#join together with multiplied df by -1
df1 = pd.concat([df1, df1 * -1]).sort_index().reset_index(drop=True)
print (df1)
      A     B
0  -6.9 -0.23
1   6.9  0.23
2   5.0  1.58
3  -5.0 -1.58
4 -18.1 -5.00
5  18.1  5.00
6 -13.2 -6.00
7  13.2  6.00

<小时/>

masks = [np.isclose(df1, 5), df1.values < 5]
vals = ['Decent','Bad']

#create new df and join to original
df = df.join(pd.DataFrame(np.select(masks, vals, 'Good'), columns=df.columns).add_suffix('_new'))
print (df)
      A      B   A_new   B_new
0  16.3   1.10     Bad     Bad
1  23.2   1.33    Good     Bad
2  10.7  -0.43  Decent     Bad
3   5.7  -2.01     Bad     Bad
4   5.4  -1.86     Bad     Bad
5  23.5   3.14    Good  Decent
6  11.7   4.00     Bad     Bad
7  24.9  10.00    Good    Good