Wie erstelle ich eine neue Spalte, in der die Werte basierend auf vorhandenen Spalten ausgewählt werden?

Question

Wie füge ich eine Farbe-Spalte zum folgenden DataFrame hinzu, so dass Farbe='grün' ist, wenn Set == 'Z' und Farbe='rot' sonst?

   Typ  Set
1     A    Z
2     B    Z           
3     B    X
4     C    Y

Answer 1

Sie können einfach die leistungsstarke .loc Methode verwenden und je nach Bedarf eine oder mehrere Bedingungen festlegen (getestet mit pandas=1.0.5).

Code-Zusammenfassung:

df=pd.DataFrame(dict(Type='A B B C'.split(), Set='Z Z X Y'.split()))
df['Color'] = "red"
df.loc[(df['Set']=="Z"), 'Color'] = "green"

#Übung!
df.loc[(df['Set']=="Z")&(df['Type']=="B")|(df['Type']=="C"), 'Color'] = "purple"

Erklärung:

df=pd.DataFrame(dict(Type='A B B C'.split(), Set='Z Z X Y'.split()))

# bisheriges df: 
  Type Set  
0    A   Z 
1    B   Z 
2    B   X 
3    C   Y

Fügen Sie eine 'Farbe' Spalte hinzu und setzen Sie alle Werte auf "rot"

df['Color'] = "red"

Wenden Sie Ihre einzelne Bedingung an:

df.loc[(df['Set']=="Z"), 'Color'] = "green"

# df: 
  Type Set  Color
0    A   Z  green
1    B   Z  green
2    B   X    red
3    C   Y    red

oder mehrere Bedingungen, wenn Sie möchten:

df.loc[(df['Set']=="Z")&(df['Type']=="B")|(df['Type']=="C"), 'Color'] = "purple"

Sie können hier über die logischen Operatoren und die bedingte Auswahl in Pandas lesen: Logische Operatoren für die boolesche Indizierung in Pandas

Answer 2

Sie können die pandas-Methoden where und mask verwenden:

df['color'] = 'green'
df['color'] = df['color'].where(df['Set']=='Z', other='red')
# Ersetzen Sie Werte, bei denen die Bedingung falsch ist

oder

df['color'] = 'red'
df['color'] = df['color'].mask(df['Set']=='Z', other='green')
# Ersetzen Sie Werte, bei denen die Bedingung wahr ist

Alternativ können Sie die Methode transform mit einer Lambda-Funktion verwenden:

df['color'] = df['Set'].transform(lambda x: 'green' if x == 'Z' else 'red')

Ausgabe:

  Type Set  color
1    A   Z  green
2    B   Z  green
3    B   X    red
4    C   Y    red

Leistungsvergleich von @chai:

import pandas as pd
import numpy as np
df = pd.DataFrame({'Type':list('ABBC')*1000000, 'Set':list('ZZXY')*1000000})

%timeit df['color1'] = 'red'; df['color1'].where(df['Set']=='Z','green')
%timeit df['color2'] = ['red' if x == 'Z' else 'green' for x in df['Set']]
%timeit df['color3'] = np.where(df['Set']=='Z', 'red', 'green')
%timeit df['color4'] = df.Set.map(lambda x: 'red' if x == 'Z' else 'green')

397 ms ± 101 ms pro Schleife (Durchschnitt ± Standardabweichung von 7 Schleifen)
976 ms ± 241 ms pro Schleife
673 ms ± 139 ms pro Schleife
796 ms ± 182 ms pro Schleife

Answer 3

Wenn Sie nur 2 Optionen haben, verwenden Sie np.where()

df = pd.DataFrame({'A':range(3)})
df['B'] = np.where(df.A>2, 'ja', 'nein')

Wenn Sie mehr als 2 Optionen haben, könnte apply() funktionieren

arr = pd.DataFrame({'A':list('abc'), 'B':range(3), 'C':range(3,6), 'D':range(6, 9)})

und arr ist

    A   B   C   D
0   a   0   3   6
1   b   1   4   7
2   c   2   5   8

Wenn Sie möchten, dass die Spalte E if arr.A =='a' then arr.B elif arr.A=='b' then arr.C elif arr.A == 'c' then arr.D else something_else ist

arr['E'] = arr.apply(lambda x: x['B'] if x['A']=='a' else(x['C'] if x['A']=='b' else(x['D'] if x['A']=='c' else 1234)), axis=1)

und schließlich ist arr

    A   B   C   D   E
0   a   0   3   6   0
1   b   1   4   7   4
2   c   2   5   8   8

Answer 4

Ein Liner mit der Methode .apply() sieht wie folgt aus:

df['color'] = df['Set'].apply(lambda set_: 'grün' if set_=='Z' else 'rot')

Danach sieht das df Datenrahmen so aus:

>>> print(df)
  Type Set  color
0    A   Z  grün
1    B   Z  grün
2    B   X    rot
3    C   Y    rot

Answer 5

Die case_when Funktion von pyjanitor ist ein Wrapper um pd.Series.mask und bietet eine verkettbare/praktische Form für mehrere Bedingungen:

Für eine einzelne Bedingung:

df.case_when(
    df.col1 == "Z",  # Bedingung
    "grün",         # Wert wenn wahr
    "rot",           # Wert wenn falsch
    column_name = "Farbe"
    )

  Typ Set  Farbe
1    A   Z  grün
2    B   Z  grün
3    B   X    rot
4    C   Y    rot

Für mehrere Bedingungen:

df.case_when(
    df.Set.eq('Z') & df.Typ.eq('A'), 'gelb', # Bedingung, Ergebnis
    df.Set.eq('Z') & df.Typ.eq('B'), 'blau',   # Bedingung, Ergebnis
    df.Typ.eq('B'), 'lila',                  # Bedingung, Ergebnis
    'schwarz',              # Standard wenn keine der Bedingungen wahr ist
    column_name = 'Farbe'  
)
  Typ  Set   Farbe
1    A   Z  gelb
2    B   Z    blau
3    B   X  lila
4    C   Y   schwarz

Weitere Beispiele finden Sie hier