Dataframe 基于表中的另一列值有条件地填充列值

我有一个带有几列的

DataFrame

。其中一列包含使用货币的符号，例如欧元或美元符号。另一列包含预算值。例如，在一行中，它可能意味着5000欧元的预算，而在下一行中，它可能意味着2000美元的预算

在pandas中，我想在我的数据框架中添加一个额外的列，将预算标准化为欧元。因此，基本上，对于每一行，如果货币列中的符号是欧元符号，则新列中的值应为预算列*1的值，如果货币列中的符号是美元符号，则新列中的值应为预算列*0.78125的值

我知道如何添加列、用值填充列、从另一列复制值等，但不知道如何根据另一列的值有条件地填充新列

---

有什么建议吗？

你可能想做什么

df['Normalized'] = np.where(df['Currency'] == '$', df['Budget'] * 0.78125, df['Budget'])

---

通过另一种样式，类似的结果可能是编写一个函数，使用

row['fieldname']

语法访问单个值/列，然后对其执行所需的操作

这与此处链接的问题的答案相呼应：

---

进一步考虑Tom Kimber的建议，可以使用函数字典为函数设置各种条件。这种解决办法扩大了问题的范围

我正在使用一个来自个人应用程序的示例

# write the dictionary

def applyCalculateSpend (df_name, cost_method_col, metric_col, rate_col, total_planned_col):
    calculations = {
            'CPMV'  : df_name[metric_col] / 1000 * df_name[rate_col],
            'Free'  : 0
            }
    df_method = df_name[cost_method_col]
    return calculations.get(df_method, "not in dict")

# call the function inside a lambda

test_df['spend'] = test_df.apply(lambda row: applyCalculateSpend(
row,
cost_method_col='cost method',
metric_col='metric',
rate_col='rate',
total_planned_col='total planned'), axis = 1)

  cost method  metric  rate  total planned  spend
0        CPMV    2000   100           1000  200.0
1        CPMV    4000   100           1000  400.0
4        Free       1     2              3    0.0

---

numpy

不需要额外导入的选项：

df['Normalized']=df['Budget']。其中（df['Currency']=='$'，df['Budget']*0.78125）

可以用文字而不是数字来做这样的事情吗？df['Qnty']=np.where（df['Quantity'].str.extract（'（[a-z]+）=='g'，df['Quantity'].str.extract（'（\d+）.astype（int）/1000，df['Quantity'].str.extract（'（\d+）.astype（int））不知道是否有人需要它，但我还是发布了。那应该是

lambda行：normalise_行（row）

？难道你就不能用

normalise\u row

来代替整个事情吗？

# write the dictionary

def applyCalculateSpend (df_name, cost_method_col, metric_col, rate_col, total_planned_col):
    calculations = {
            'CPMV'  : df_name[metric_col] / 1000 * df_name[rate_col],
            'Free'  : 0
            }
    df_method = df_name[cost_method_col]
    return calculations.get(df_method, "not in dict")

# call the function inside a lambda

test_df['spend'] = test_df.apply(lambda row: applyCalculateSpend(
row,
cost_method_col='cost method',
metric_col='metric',
rate_col='rate',
total_planned_col='total planned'), axis = 1)

  cost method  metric  rate  total planned  spend
0        CPMV    2000   100           1000  200.0
1        CPMV    4000   100           1000  400.0
4        Free       1     2              3    0.0