PythonPanda中：反转数据帧列值的最佳方法，其中col1>；可乐

我有一个解决方案，但它使用for循环，我正在寻找一种更好/更优雅的方法，在Col1>Col2时交换Col1和Col2值

当前解决方案： 在2个for循环中： 查找Col1>Col2的行 然后添加行Col2 Col1分数 然后删除Col1>Col2的所有行。这只花了两行。 有没有更好的方法来交换Col1和Col2值

---

将熊猫作为pd导入
def drop_all_revd_in_df（df）：
indexNames=df[（df['col1']>df['col2']）。索引
drop（indexNames，inplace=True）
返回df
#for循环检查col1>col2和反向顺序
def COL1GTCOL2清洁（df）：
col1A_prev=“”
对于df['col1']中的col1A：
如果col1A！=col1A_prev：
col1A_prev=col1A
对于df[df['col1']==col1A]['col2']中的col1B：
如果（col1A>col1B）：
分数=（df[（df['col1']==col1A）和（df['col2']==col1B）].score）。to_frame（）['score'].iloc[0]
追加（{'col1'：col1B，'col2'：col1A，'score'：score}，忽略_index=True）
df=在df（df）中删除所有
返回df
#初始化列表列表
dataShort=[“Andy”，“Claude”，15]，
[“文森特”，“弗里达”，12]，#不好
[“文森特”，“巴勃罗”，11]#不好
#创建数据帧
df=pd.DataFrame（dataShort，columns=['col1'，'col2'，'score']）
打印（df）
col1GTcol2CleanUp（df）.对_值进行排序（['col1'，'col2']）。重置_索引（drop='True'））

---

这就是你要找的吗？ “May”也可以通过lambda实现——为了简单起见，我将逻辑放在了一个单独的函数中

df = pd.DataFrame({'col1':['Andy','Vincent','Vincent'], 'col2':['Claude','Frida','Pablo'], 'score':[15,12,11]})
df

原始/输入数据帧：

实现所需o/p的代码：

def check_row(row):
    if row['col1'] > row['col2']:
        row['col1'],row['col2'] = row['col2'],row['col1'] 
        return row
    else:
        return row
df = df.apply(check_row, axis =1)
df

O/p:

---

这就是你要找的吗？ “May”也可以通过lambda实现——为了简单起见，我将逻辑放在了一个单独的函数中

df = pd.DataFrame({'col1':['Andy','Vincent','Vincent'], 'col2':['Claude','Frida','Pablo'], 'score':[15,12,11]})
df

原始/输入数据帧：

实现所需o/p的代码：

def check_row(row):
    if row['col1'] > row['col2']:
        row['col1'],row['col2'] = row['col2'],row['col1'] 
        return row
    else:
        return row
df = df.apply(check_row, axis =1)
df

O/p:

---

根据直觉246的回答：Pandas.apply（）方法往往速度较慢。这里还有另一种方法（下面代码中的method1），它的速度要快一点，但需要临时存储来存储一个额外的列。这也可以写在一行上（下面代码中的method2），甚至更快，但需要两列的临时存储

np.random.seed(113)
df = pd.DataFrame({'col1':np.random.randint(low=0, high=9, size=10000, dtype='int32'),
                   'col2':np.random.randint(low=0, high=9, size=10000, dtype='int32')})

def method1(df):
    """ Modifies df in place, no return value """
    df['col_tmp'] = df[['col1','col2']].max(axis=1)
    df['col1'] = df[['col1','col2']].min(axis=1)
    df['col2'] = df['col_tmp']
    del df['col_tmp']

def method2(df):
    """ Modifies df in place, no return value """
    df['col1'], df['col2'] = df[['col1','col2']].min(axis=1), df[['col1','col2']].max(axis=1)

# instinct246's answer

def check_row(row):
    if row['col1'] > row['col2']:
        row['col1'],row['col2'] = row['col2'],row['col1'] 
        return row
    else:
        return row

def method3(df):
    """ Returns modified df """
    return df.apply(check_row, axis =1)

运行

%%timeit

返回：

method1: 1.92 ms ± 62.1 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
method2: 1.31 ms ± 11.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
method3: 558 ms ± 8.42 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

---

下面是246:Pandas.apply（）方法的答案，它的速度往往很慢。这里还有另一种方法（下面代码中的method1），它的速度要快一点，但需要临时存储来存储一个额外的列。这也可以写在一行上（下面代码中的method2），甚至更快，但需要两列的临时存储

np.random.seed(113)
df = pd.DataFrame({'col1':np.random.randint(low=0, high=9, size=10000, dtype='int32'),
                   'col2':np.random.randint(low=0, high=9, size=10000, dtype='int32')})

def method1(df):
    """ Modifies df in place, no return value """
    df['col_tmp'] = df[['col1','col2']].max(axis=1)
    df['col1'] = df[['col1','col2']].min(axis=1)
    df['col2'] = df['col_tmp']
    del df['col_tmp']

def method2(df):
    """ Modifies df in place, no return value """
    df['col1'], df['col2'] = df[['col1','col2']].min(axis=1), df[['col1','col2']].max(axis=1)

# instinct246's answer

def check_row(row):
    if row['col1'] > row['col2']:
        row['col1'],row['col2'] = row['col2'],row['col1'] 
        return row
    else:
        return row

def method3(df):
    """ Returns modified df """
    return df.apply(check_row, axis =1)

运行

%%timeit

返回：

method1: 1.92 ms ± 62.1 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
method2: 1.31 ms ± 11.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
method3: 558 ms ± 8.42 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

---

---

不要发布图片，使用文本发布代码和示例数据这是课程答案的一部分。我们被要求在任何地方共享代码作为图像。这不是得到最终答案所需要的，但是。。。我还应该发布代码吗？我已经有100%了。我在寻找更好的方法。如果不允许我们在学习时寻找更好的方法，我会感到失望。请解释为什么这个问题不好。全班同学让我们在StackOverflow中提问，我没有拿到零件

col1>col2

。你如何定义这一点？它是基于

str

的长度吗？col1和col2是字符串，它基于数据帧接受的大于的排序。然而，我正在寻找一个通用的答案，也可以是一个数字（比如一个id）。简单的交换是我除了for循环之外无法做到的，这似乎是一个非常不雅观且可能很慢的解决方案。不要发布图像，使用文本发布代码和样本数据这是课程答案的一部分。我们被要求在任何地方共享代码作为图像。这不是得到最终答案所需要的，但是。。。我还应该发布代码吗？我已经有100%了。我在寻找更好的方法。如果不允许我们在学习时寻找更好的方法，我会感到失望。请解释为什么这个问题不好。全班同学让我们在StackOverflow中提问，我没有拿到零件

col1>col2

。你如何定义这一点？它是基于

str

的长度吗？col1和col2是字符串，它基于数据帧接受的大于的排序。然而，我正在寻找一个通用的答案，也可以是一个数字（比如一个id）。简单的交换是我除了for循环之外无法做的事情，这似乎是一个非常不雅观且可能很慢的解决方案。谢谢。我猜不知道如何使用apply，也不知道第['N1']，第['N2']=第['N2']，第['N1']行可能是每个人都已经知道并且不应该问的事情=这是一个糟糕的问题？@traisen:肯定不是一个糟糕的问题：）可能，需要一些澄清，现在可以了。如果以上答案对您有效，请接受：）已接受。问题必须是可怕的得到-1或？但是我从上面提到的被接受的答案中学到了两个新的东西，所以很高兴我问了。@traisen：不用担心，我们都在这里学习。您现在编辑的问题（代码而不是代码的图像）有助于轻松复制/测试/复制输入数据/问题。我已经编辑了我的答案，以准确反映您现在的数据。谢谢，谢谢。我猜不知道如何使用apply，也不知道第['N1']，第['N2']=第['N2']，第['N1']行可能是每个人都已经知道并且不应该问的事情=这是一个糟糕的问题？@traisen:肯定不是一个糟糕的问题：）可能，需要一些澄清，现在可以了。如果以上答案对您有效，请接受：）已接受。问题必须是可怕的得到-1或？但是我从上面提到的被接受的答案中学到了两个新的东西，所以很高兴我问了。@traisen：不用担心，我们都在这里学习。您现在编辑的问题（代码而不是代码的图像）有助于复制/测试/复制输入数据/probl