pandas 数据框中的多列（绝对、百分比和分类）数据操作
Data Manipulation in multiple columns(absolute, percentage, and categorical) in pandas dataframe
我需要做一个函数，将输入作为数据框，字典{"Col_1" :% change,"Col_2":absolute change,"Col_3" : 0/1(Categorical)} 它应该对数据框进行更改。
我有这样的数据框
Date
col_1
col_2
col_3
01/01/2022
90
100
0
01/02/2022
80
110
1
01/03/2022
92
120
0
01/04/2022
96
130
0
01/05/2022
99
150
1
01/06/2022
105
155
1
现在我传字典说，
{"Date":["01/01/2022","01/02/2022"],"col_1":[-10,-10],"col_2":10,"col_3":[1,0]}
- 对于“col_1”，我将 -10，-10 百分比更改为其在指定日期的先前值。
- 对于“col_2”，我传递的绝对数字是 10（它应该用 10 替换以前的值）
指定日期。
- 对于“col_3”，我正在传递一个二进制数，它会在指定日期在数据框中更新。
那么我想要的效果会是这样
Date
col_1
col_2
col_3
01/01/2022
81
10
1
01/02/2022
72
10
0
01/03/2022
92
120
0
01/04/2022
96
120
0
01/05/2022
99
150
1
01/06/2022
105
155
1
我跟着试过这个代码：
def per_change(df,cols,d):
df[cols] = df[cols].add(df[cols].div(100).mul(pd.Series(d)), fill_value=0)
return df
但没有成功。请帮忙！！
您可以使用 dic["Date"] 作为布尔掩码并使用 dic 中其他键下的值更新 df 中的值：
msk = df['Date'].isin(dic['Date'])
df.loc[msk, 'col_1'] *= (1 + np.array(dic['col_1']) / 100)
df.loc[msk, 'col_2'] = dic['col_2']
df.loc[msk, 'col_3'] = dic['col_3']
输出：
Date col_1 col_2 col_3
0 01/01/2022 81.0 10 1
1 01/02/2022 72.0 10 0
2 01/03/2022 92.0 120 0
3 01/04/2022 96.0 130 0
4 01/05/2022 99.0 150 1
5 01/06/2022 105.0 155 1
我需要做一个函数，将输入作为数据框，字典{"Col_1" :% change,"Col_2":absolute change,"Col_3" : 0/1(Categorical)} 它应该对数据框进行更改。
我有这样的数据框
| Date | col_1 | col_2 | col_3 |
|---|---|---|---|
| 01/01/2022 | 90 | 100 | 0 |
| 01/02/2022 | 80 | 110 | 1 |
| 01/03/2022 | 92 | 120 | 0 |
| 01/04/2022 | 96 | 130 | 0 |
| 01/05/2022 | 99 | 150 | 1 |
| 01/06/2022 | 105 | 155 | 1 |
现在我传字典说，
{"Date":["01/01/2022","01/02/2022"],"col_1":[-10,-10],"col_2":10,"col_3":[1,0]}
- 对于“col_1”，我将 -10，-10 百分比更改为其在指定日期的先前值。
- 对于“col_2”，我传递的绝对数字是 10（它应该用 10 替换以前的值） 指定日期。
- 对于“col_3”，我正在传递一个二进制数，它会在指定日期在数据框中更新。
那么我想要的效果会是这样
| Date | col_1 | col_2 | col_3 |
|---|---|---|---|
| 01/01/2022 | 81 | 10 | 1 |
| 01/02/2022 | 72 | 10 | 0 |
| 01/03/2022 | 92 | 120 | 0 |
| 01/04/2022 | 96 | 120 | 0 |
| 01/05/2022 | 99 | 150 | 1 |
| 01/06/2022 | 105 | 155 | 1 |
我跟着试过这个代码：
def per_change(df,cols,d):
df[cols] = df[cols].add(df[cols].div(100).mul(pd.Series(d)), fill_value=0)
return df
但没有成功。请帮忙！！
您可以使用 dic["Date"] 作为布尔掩码并使用 dic 中其他键下的值更新 df 中的值：
msk = df['Date'].isin(dic['Date'])
df.loc[msk, 'col_1'] *= (1 + np.array(dic['col_1']) / 100)
df.loc[msk, 'col_2'] = dic['col_2']
df.loc[msk, 'col_3'] = dic['col_3']
输出：
Date col_1 col_2 col_3
0 01/01/2022 81.0 10 1
1 01/02/2022 72.0 10 0
2 01/03/2022 92.0 120 0
3 01/04/2022 96.0 130 0
4 01/05/2022 99.0 150 1
5 01/06/2022 105.0 155 1