Python Pandas-如果列较大且不为null，则生成值

我的数据框中有以下列：

W1 W2   W3    W4   L1  L2  L3    L4
0  6    6     3    6   7   3     6
7  Nan Nan   Nan   6 Nan  Nan   Nan

我想在这个数据框中添加四列，SET1。。SET4是：

• 1.0如果Wi>li且两者都不是Nan
• 如果Wi
• 如果Wi或li为nan，则为nan

在上述示例中，输出应为：

SET1 SET2 SET3 SET4
0.0   0.0  1.0  0.0
1.0   Nan  Nan  Nan

我使用以下代码来应用前2个项目符号，但我很难正确处理

NaN

for i in range(1,5):
    wincol = "W" + str(i)
    losecol = "L" + str(i)
    setcol = "SET" + str(i)
    matches_df[setcol] = matches_df[wincol] > matches_df[losecol]
    matches_df[setcol] = matches_df[setcol].astype(float)

---

您需要

startswith

，然后只需将值除以，并创建所需的df

#df=df.replace('Nan',np.nan)
#df=df.astype(float)
new_df=pd.DataFrame((df.loc[:,df.columns.str.startswith('W')].values/df.loc[:,df.columns.str.startswith('L')].values))


new_df[new_df.notnull()]=new_df.gt(1).astype(int)
new_df
Out[239]: 
     0    1    2    3
0  0.0  0.0  1.0  0.0
1  1.0  NaN  NaN  NaN

---

您需要

startswith

，然后只需将值除以，并创建所需的df

#df=df.replace('Nan',np.nan)
#df=df.astype(float)
new_df=pd.DataFrame((df.loc[:,df.columns.str.startswith('W')].values/df.loc[:,df.columns.str.startswith('L')].values))


new_df[new_df.notnull()]=new_df.gt(1).astype(int)
new_df
Out[239]: 
     0    1    2    3
0  0.0  0.0  1.0  0.0
1  1.0  NaN  NaN  NaN

---

如果

W*

和

L*

列的顺序不同（例如：

['W1'、'W3'、'W4'、'W2']

和

['L2'、'L1'、'L4'、'L3']

），以下解决方案也适用：

演示：

---

如果

W*

和

L*

列的顺序不同（例如：

['W1'、'W3'、'W4'、'W2']

和

['L2'、'L1'、'L4'、'L3']

），以下解决方案也适用：

演示：

---

一种方法是使用

numpy

：

df = pd.DataFrame({'W1': [0, 7], 'W2': [6, np.nan], 'W3': [6, np.nan], 'W4': [3, np.nan],
                   'L1': [6, 6], 'L2': [7, np.nan], 'L3': [3, np.nan], 'L4': [6, np.nan]})

# split into 2 arrays
df_L = df.loc[:, df.columns.str.startswith('L')].values
df_W = df.loc[:, df.columns.str.startswith('W')].values

# apply comparison logic
A = (df_W > df_L).astype(float)

# apply nan logic
A[np.logical_or(np.isnan(df_L), np.isnan(df_W))] = np.nan

# create dataframe
res = pd.DataFrame(A, columns=['SET'+str(i) for i in range(1, A.shape[1]+1)])

print(res)

   SET1  SET2  SET3  SET4
0   0.0   0.0   1.0   0.0
1   1.0   NaN   NaN   NaN

---

一种方法是使用

numpy

：

df = pd.DataFrame({'W1': [0, 7], 'W2': [6, np.nan], 'W3': [6, np.nan], 'W4': [3, np.nan],
                   'L1': [6, 6], 'L2': [7, np.nan], 'L3': [3, np.nan], 'L4': [6, np.nan]})

# split into 2 arrays
df_L = df.loc[:, df.columns.str.startswith('L')].values
df_W = df.loc[:, df.columns.str.startswith('W')].values

# apply comparison logic
A = (df_W > df_L).astype(float)

# apply nan logic
A[np.logical_or(np.isnan(df_L), np.isnan(df_W))] = np.nan

# create dataframe
res = pd.DataFrame(A, columns=['SET'+str(i) for i in range(1, A.shape[1]+1)])

print(res)

   SET1  SET2  SET3  SET4
0   0.0   0.0   1.0   0.0
1   1.0   NaN   NaN   NaN

---

还有

numpy。选择
。它优先考虑遇到的第一个条件，因此只需首先设置null检查，逻辑就会按照您的需要工作

import numpy as np

for i in range(1,5):
    df['SET'+str(i)] = np.select(((df['W'+str(i)].isnull() | df['L'+str(i)].isnull()), 
                        df['W'+str(i)] > df['L'+str(i)], df['W'+str(i)] < df['L'+str(i)]), 
                        [np.NaN, 1, 0])

   W1   W2   W3   W4  L1   L2   L3   L4  SET1 SET2 SET3 SET4
0   0    6    6    3   6    7    3    6  0.0  0.0  1.0  0.0
1   7  NaN  NaN  NaN   6  NaN  NaN  NaN  1.0  NaN  NaN  NaN

将numpy导入为np
对于范围（1,5）内的i：
df['SET'+str（i）]=np.select（（df['W'+str（i）].isnull（）| df['L'+str（i）].isnull（）），
df['W'+str（i）]>df['L'+str（i）]，df['W'+str（i）]
还有
numpy。选择
。它优先考虑遇到的第一个条件，因此只需首先设置null检查，逻辑就会按照您的需要工作

import numpy as np

for i in range(1,5):
    df['SET'+str(i)] = np.select(((df['W'+str(i)].isnull() | df['L'+str(i)].isnull()), 
                        df['W'+str(i)] > df['L'+str(i)], df['W'+str(i)] < df['L'+str(i)]), 
                        [np.NaN, 1, 0])

   W1   W2   W3   W4  L1   L2   L3   L4  SET1 SET2 SET3 SET4
0   0    6    6    3   6    7    3    6  0.0  0.0  1.0  0.0
1   7  NaN  NaN  NaN   6  NaN  NaN  NaN  1.0  NaN  NaN  NaN

将numpy导入为np
对于范围（1,5）内的i：
df['SET'+str（i）]=np.select（（df['W'+str（i）].isnull（）| df['L'+str（i）].isnull（）），
df['W'+str（i）]>df['L'+str（i）]，df['W'+str（i）]
将列拆分为一个
多索引

n = df.set_axis(
    pd.MultiIndex.from_tuples(df.columns.map(tuple)),
    axis=1, inplace=False
)

n

   L                 W               
   1    2    3    4  1    2    3    4
0  6  7.0  3.0  6.0  0  6.0  6.0  3.0
1  6  NaN  NaN  NaN  7  NaN  NaN  NaN

n = df.set_axis(
    pd.MultiIndex.from_tuples([(a, ''.join(b)) for a, *b in df.columns]),
    axis=1, inplace=False
)



生成
多索引的方法稍微稳健一些

n = df.set_axis(
    pd.MultiIndex.from_tuples(df.columns.map(tuple)),
    axis=1, inplace=False
)

n

   L                 W               
   1    2    3    4  1    2    3    4
0  6  7.0  3.0  6.0  0  6.0  6.0  3.0
1  6  NaN  NaN  NaN  7  NaN  NaN  NaN

n = df.set_axis(
    pd.MultiIndex.from_tuples([(a, ''.join(b)) for a, *b in df.columns]),
    axis=1, inplace=False
)

将列拆分为一个
多索引

n = df.set_axis(
    pd.MultiIndex.from_tuples(df.columns.map(tuple)),
    axis=1, inplace=False
)

n

   L                 W               
   1    2    3    4  1    2    3    4
0  6  7.0  3.0  6.0  0  6.0  6.0  3.0
1  6  NaN  NaN  NaN  7  NaN  NaN  NaN

n = df.set_axis(
    pd.MultiIndex.from_tuples([(a, ''.join(b)) for a, *b in df.columns]),
    axis=1, inplace=False
)



生成
多索引的方法稍微稳健一些

n = df.set_axis(
    pd.MultiIndex.from_tuples(df.columns.map(tuple)),
    axis=1, inplace=False
)

n

   L                 W               
   1    2    3    4  1    2    3    4
0  6  7.0  3.0  6.0  0  6.0  6.0  3.0
1  6  NaN  NaN  NaN  7  NaN  NaN  NaN

n = df.set_axis(
    pd.MultiIndex.from_tuples([(a, ''.join(b)) for a, *b in df.columns]),
    axis=1, inplace=False
)