Python 3.x 在python中，将所有列中的所有负值替换为零

我在df以下

date              T1   T2  T3  T4
1-1-2010 00:10    20   -5  4   3
1-1-2010 00:20    85  -78  34  21
1-1-2010 00:30    -45  22  31  75 
1-1-2010 00:40    -6   5   7  -28 

我想从第1列（T1列）开始将负值替换为零

我尝试了以下代码：

df.iloc[:,1:].mask(df, 0)

但它也显示日期列的“0”值

最终输出应为：

date              T1   T2  T3  T4
1-1-2010 00:10    20   0   4   3
1-1-2010 00:20    85   0   34  21
1-1-2010 00:30    0    22  31  75 
1-1-2010 00:40    0    5   7    0       

---

尝试用

df.iloc[：，1:<0

df.iloc[：，1:]=df.iloc[：，1:].mask（df.iloc[：，1:<0，0）
df=df1.iloc[：，1:]
df=df.面具（df使用：

输出：

             date  T1  T2  T3  T4
0  1-1-2010 00:10  20   0   4   3
1  1-1-2010 00:20  85   0  34  21
2  1-1-2010 00:30   0  22  31  75
3  1-1-2010 00:40   0   5   7   0

不仅样本中的
clip
比
mask
快，而且在更大的数据集中：

# Your sample -> 3x faster
%timeit df.iloc[:, 1:].clip(0)
# 1.74 ms ± 115 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit df.iloc[:,1:].mask(df.iloc[:,1:] < 0, 0)
# 5.25 ms ± 573 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

#您的示例->快3倍
%timeit df.iloc[：，1::]片段（0）
#每个回路1.74 ms±115µs（7次运行的平均值±标准偏差，每个100个回路）
%timeit df.iloc[：，1::].mask（df.iloc[：，1::<0,0）
#每个回路5.25 ms±573µs（7次运行的平均值±标准偏差，每个100个回路）


#大样本->1000000个元素-->大约30倍
大_df=pd.DataFrame（pd.np.random.randint（-5,5，（1000,1000）））
%timeit大尺寸测向夹（0）
#每个回路17.2 ms±2.44 ms（7次运行的平均值±标准偏差，每个10个回路）
%timeit大测向掩码（大测向<0,0）
#每个回路498 ms±47 ms（7次运行的平均值±标准偏差，每个回路1次）
欢迎来到StackOverflow！您能像更新值列表一样更新
df
吗？使用
clip
的聪明方法！它从
df
中删除
date
列
             date  T1  T2  T3  T4
0  1-1-2010 00:10  20   0   4   3
1  1-1-2010 00:20  85   0  34  21
2  1-1-2010 00:30   0  22  31  75
3  1-1-2010 00:40   0   5   7   0

# Your sample -> 3x faster
%timeit df.iloc[:, 1:].clip(0)
# 1.74 ms ± 115 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit df.iloc[:,1:].mask(df.iloc[:,1:] < 0, 0)
# 5.25 ms ± 573 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

# Large Sample -> 1,000,000 elements --> about 30x
large_df = pd.DataFrame(pd.np.random.randint(-5, 5, (1000, 1000)))

%timeit large_df.clip(0)
# 17.2 ms ± 2.44 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

%timeit large_df.mask(large_df< 0, 0)
# 498 ms ± 47 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)