python - iloc - Lógica condicional en Pandas DataFrame

python loc example

Question

Cómo aplicar la lógica condicional a un DataFrame de Pandas.

Ver el marco de datos que se muestra a continuación,

   data desired_output
0     1          False
1     2          False
2     3           True
3     4           True

Mis datos originales se muestran en la columna ''datos'' y la salida deseada se muestra a su lado. Si el número en ''datos'' está por debajo de 2.5, la salida deseada es Falso.

Podría aplicar un bucle y volver a construir el marco de datos ... pero eso sería "untípico"

Answer 1

En este ejemplo específico, donde el DataFrame es solo una columna, puede escribir esto elegantemente como:

df[''desired_output''] = df.le(2.5)

le prueba si los elementos son menores o iguales a 2.5, de manera similar lt por menos de, gt y ge .

Answer 2

Solo compara la columna con ese valor:

In [9]: df = pandas.DataFrame([1,2,3,4], columns=["data"])

In [10]: df
Out[10]: 
   data
0     1
1     2
2     3
3     4

In [11]: df["desired"] = df["data"] > 2.5
In [11]: df
Out[12]: 
   data desired
0     1   False
1     2   False
2     3    True
3     4    True

Answer 3

In [1]: df
Out[1]:
   data
0     1
1     2
2     3
3     4

Desea aplicar una función que condicionalmente devuelve un valor basado en la columna de marco de datos seleccionada.

In [2]: df[''data''].apply(lambda x: ''true'' if x <= 2.5 else ''false'')
Out[2]:
0     true
1     true
2    false
3    false
Name: data

Luego, puede asignar esa columna devuelta a una nueva columna en su marco de datos:

In [3]: df[''desired_output''] = df[''data''].apply(lambda x: ''true'' if x <= 2.5 else ''false'')

In [4]: df
Out[4]:
   data desired_output
0     1           true
1     2           true
2     3          false
3     4          false

Answer 4

In [34]: import pandas as pd

In [35]: import numpy as np

In [36]:  df = pd.DataFrame([1,2,3,4], columns=["data"])

In [37]: df
Out[37]: 
   data
0     1
1     2
2     3
3     4

In [38]: df["desired_output"] = np.where(df["data"] <2.5, "False", "True")

In [39]: df
Out[39]: 
   data desired_output
0     1          False
1     2          False
2     3           True
3     4           True