Mengubah subset baris dalam bingkai data panda

Asumsikan saya memiliki panda DataFrame dengan dua kolom, A dan B. Saya ingin memodifikasi DataFrame ini (atau membuat salinan) sehingga B selalu NaN setiap kali A adalah 0. Bagaimana saya mencapainya?

Saya mencoba yang berikut ini

df['A'==0]['B'] = np.nan

dan

df['A'==0]['B'].values.fill(np.nan)

tanpa keberhasilan.

Gunakan .locuntuk pengindeksan berbasis label:

df.loc[df.A==0, 'B'] = np.nan

The df.A==0ekspresi menciptakan serangkaian boolean yang indeks baris, 'B'memilih kolom. Anda juga dapat menggunakan ini untuk mengubah subset kolom, misalnya:

df.loc[df.A==0, 'B'] = df.loc[df.A==0, 'B'] / 2

Saya tidak cukup tahu tentang internal panda untuk tahu persis mengapa itu bekerja, tetapi masalah dasarnya adalah bahwa kadang-kadang indeks ke DataFrame mengembalikan salinan hasil, dan kadang-kadang mengembalikan pandangan pada objek asli. Menurut dokumentasi di sini , perilaku ini tergantung pada perilaku numpy yang mendasarinya. Saya menemukan bahwa mengakses segala sesuatu dalam satu operasi (bukan [satu] [dua]) lebih mungkin berfungsi untuk pengaturan.

Berikut ini dari panda docs pada pengindeksan lanjutan:

Bagian ini akan menjelaskan dengan tepat apa yang Anda butuhkan! Ternyata df.loc(seperti .ix telah ditinggalkan - seperti yang telah ditunjukkan banyak orang di bawah ini) dapat digunakan untuk mengiris / mending bingkai data. Dan. Dapat juga digunakan untuk mengatur sesuatu.

df.loc[selection criteria, columns I want] = value

Jadi jawaban Bren mengatakan 'temukan aku semua tempat di mana df.A == 0, pilih kolom Bdan atur ke np.nan'

Mulai dari panda 0,20 ix sudah usang . Cara yang benar adalah dengan menggunakan df.loc

di sini adalah contoh kerja

>>> import pandas as pd 
>>> import numpy as np 
>>> df = pd.DataFrame({"A":[0,1,0], "B":[2,0,5]}, columns=list('AB'))
>>> df.loc[df.A == 0, 'B'] = np.nan
>>> df
   A   B
0  0 NaN
1  1   0
2  0 NaN
>>> 

Penjelasan:

Seperti yang dijelaskan dalam dokumen di sini , pada .loc dasarnya berbasis label, tetapi juga dapat digunakan dengan array boolean .

Jadi, apa yang kami lakukan di atas berlaku df.loc[row_index, column_index]dengan:

• Mengeksploitasi fakta yang locdapat menggunakan array boolean sebagai topeng yang memberi tahu panda bagian dari baris yang ingin kita ubahrow_index
• Mengeksploitasi fakta locjuga berdasarkan label untuk memilih kolom menggunakan label 'B'dicolumn_index

Kita dapat menggunakan logika, kondisi atau operasi apa pun yang mengembalikan serangkaian boolean untuk membangun array boolean. Dalam contoh di atas, kami ingin semua rowsyang mengandung a 0, untuk itu kami dapat menggunakan df.A == 0, seperti yang Anda lihat dalam contoh di bawah ini, ini mengembalikan serangkaian boolean.

>>> df = pd.DataFrame({"A":[0,1,0], "B":[2,0,5]}, columns=list('AB'))
>>> df 
   A  B
0  0  2
1  1  0
2  0  5
>>> df.A == 0 
0     True
1    False
2     True
Name: A, dtype: bool
>>> 

Kemudian, kami menggunakan array boolean di atas untuk memilih dan mengubah baris yang diperlukan:

>>> df.loc[df.A == 0, 'B'] = np.nan
>>> df
   A   B
0  0 NaN
1  1   0
2  0 NaN

Untuk informasi lebih lanjut, periksa dokumentasi pengindeksan lanjutan di sini .

Untuk peningkatan kecepatan besar, gunakan fungsi NumPy where.

Mempersiapkan

Buat DataFrame dua kolom dengan 100.000 baris dengan beberapa nol.

df = pd.DataFrame(np.random.randint(0,3, (100000,2)), columns=list('ab'))

Solusi cepat dengan numpy.where

df['b'] = np.where(df.a.values == 0, np.nan, df.b.values)

Pengaturan waktu

%timeit df['b'] = np.where(df.a.values == 0, np.nan, df.b.values)
685 µs ± 6.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%timeit df.loc[df['a'] == 0, 'b'] = np.nan
3.11 ms ± 17.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

Numpy wheresekitar 4x lebih cepat

Untuk mengganti kolom multipel, ubah ke array numpy menggunakan .values:

df.loc[df.A==0, ['B', 'C']] = df.loc[df.A==0, ['B', 'C']].values / 2