Pandas: как изменить значение по условию

Значения в столбце датафрейма могут быть изменены на основе условного выражения. В этом руководстве мы рассмотрим несколько способов создания столбцов по условию в Pandas.

Загрузка датафрейма для примера

import pandas as pd

data = {'Stock': ['AAPL', 'IBM', 'MSFT', 'WMT'],
       'Price': [144.8, 141.61, 304.21, 139.5],
       'PE': [25, 21, 39, 16],
       'TradingExchange': ['NASDAQ', 'NYSE', 'NASDAQ', 'NYSE']}
       
df = pd.DataFrame(data)

print(df)

Способ 1: использование атрибута loc

Атрибут loc в Pandas позволяет создать логическую маску, основанную на условии. Он может либо просто выбирать строки и столбцы, либо фильтровать датафреймы по условию.

Синтаксис

example_df.loc[example_df['column_1'] condition, 'column_2'] = value

• column_1 — столбец для проверки по условию;
• column_2 — столбец для создания или изменения, может совпадать с column_1;
• condition — условное выражение;
• value — новое присваиваемое значение.

Давайте попробуем применить знания на практике, присвоив строку "Under 150" любой акции с ценой ниже 150$, а строку "Over 150" — любой акции с большей ценой, чем 150$.

df['Price_Category'] = 'Over 150'
df.loc[df['Price'] < 150, 'Price_Category'] = 'Under 150'

Вот что мы сделали:

1. Мы создали новый столбец "Price_Category" и присвоили значение "Более 150" каждой записи в датафрейме.
2. Затем мы использовали атрибут loc для создания логической маски в столбце "Price", чтобы отфильтровать строки с ценой ниже 150$. Когда значение столбца "Price" удовлетворяет условию, значение "Price_Category" для текущей записи меняется на новое — "Менее 150".

Способ 2: использование функции where из numpy

Синтаксис

import numpy as np

example_df['column_1'] = np.where(condition, new_value, 'column_2') 

Аналогично создаём столбец "Price_Category" и присваиваем записям значения "Более 150" или "Менее 150".

df['Price_Category'] = 'Over 150'
df['Price_Category'] = np.where(df['Price'] < 150, 'Under 150', df['Price_Category'])

Мы получим тот же результат.

Способ 3: использование функции select из numpy

А теперб попробуем выделить несколько категорий на основе соотношения цены и дохода (PE или Price Earning ratio):

• < 20
• 20-30
• > 30

Для выполнения поставленной задачи мы можем создать список условий.

PE_Conditions = [
    (df['PE'] < 20),
    (df['PE'] >= 20) & (df['PE'] < 30),
    (df['PE'] >= 30)]
    
PE_Categories = ['Under 20', '20-30', '30+']

df['PE_Category'] = np.select(PE_Conditions, PE_Categories)

print(df)

И получим следующий результат:

Заключение

В этой статье мы изучили три способа создания условного столбца в Pandas. Дополнительную информацию об операциях Pandas можно найти в официальной документации:

• pd.loc
• np.where
• np.select

Спасибо за внимание!

Источник: Medium