Pewnie! Setup:
>>> import pandas as pd
>>> from random import randint
>>> df = pd.DataFrame({'A': [randint(1, 9) for x in xrange(10)],
'B': [randint(1, 9)*10 for x in xrange(10)],
'C': [randint(1, 9)*100 for x in xrange(10)]})
>>> df
A B C
0 9 40 300
1 9 70 700
2 5 70 900
3 8 80 900
4 7 50 200
5 9 30 900
6 2 80 700
7 2 80 400
8 5 80 300
9 7 70 800
Możemy zastosować operacje kolumn i uzyskać logicznych obiektów Seria:
>>> df["B"] > 50
0 False
1 True
2 True
3 True
4 False
5 False
6 True
7 True
8 True
9 True
Name: B
>>> (df["B"] > 50) & (df["C"] == 900)
0 False
1 False
2 True
3 True
4 False
5 False
6 False
7 False
8 False
9 False
[Update, aby przełączyć się do nowego stylu .loc
]:
A potem możemy wykorzystać do indeks do obiektu. Wskaźniki dla dostępu odczytu, możesz połączyć:
>>> df["A"][(df["B"] > 50) & (df["C"] == 900)]
2 5
3 8
Name: A, dtype: int64
ale można dostać się w kłopoty z powodu różnicy między myślą i kopię w ten sposób dostęp do zapisu. Można użyć .loc
zamiast:
>>> df.loc[(df["B"] > 50) & (df["C"] == 900), "A"]
2 5
3 8
Name: A, dtype: int64
>>> df.loc[(df["B"] > 50) & (df["C"] == 900), "A"].values
array([5, 8], dtype=int64)
>>> df.loc[(df["B"] > 50) & (df["C"] == 900), "A"] *= 1000
>>> df
A B C
0 9 40 300
1 9 70 700
2 5000 70 900
3 8000 80 900
4 7 50 200
5 9 30 900
6 2 80 700
7 2 80 400
8 5 80 300
9 7 70 800
pamiętać, że przypadkowo zrobił == 900
a nie != 900
lub ~(df["C"] == 900)
, ale jestem zbyt leniwy, aby go naprawić. Ćwiczenie dla czytelnika. : ^)
Głosuj na swoje imię! – 8090PZ