Python 在两列上使用loc执行替换另一列值的计算

我在这条路上走得太久了。我所要做的就是创建一个名为

durationtargetdate

的新列，该列源自

标准工期天数

+

创建的日期/时间

。以下是我目前的代码： 根据我的观点，我认为这段代码将从0迭代到数据帧的长度。如果

标准持续时间天数

列中没有“设置标准持续时间”，则转到我的else语句，并用空白覆盖给定单元格（与我初始化该单元格相同）。但是，如果代码意识到存在“未设置标准持续时间”以外的任何内容，则应将

标准持续时间天数

列中给定单元格的值与

创建的日期/时间

列相加。我希望新值位于相应索引的新列

工期目标日期

newDF["Duration Target Date"] = ""

for i in range(0,len(newDF)):
    if newDF.loc[i,"Standard Duration Days"] != "No Set Standard Duration":
        newDF.loc[i,"Duration Target Date"] = (timedelta(days = int(newDF.loc[i,"Standard Duration Days"])) + newDF.loc[i,"Date/Time Created"])
    else:
        newDF.loc[i,"Duration Target Date"] == ""

---

我注意到这部分起作用，但后来它最终停止工作。。。当我运行此命令时，也会出现一个错误：“KeyError 326”

这里有几个问题。首先，看起来您将

loc

与

iloc

混淆了。很容易做到

loc

通过实际索引查找，实际索引可能是也可能不是整数位置索引。但是您的

i在范围（0，len（newDF））

中通过整数位置索引进行迭代。所以您得到的是

keyerror326

，因为您得到的是数据帧的第326行，但它的索引实际上不是326。您可以通过查看

打印（newDF.iloc[320:330]）

来检查这一点

第二个也是更重要的问题：您几乎不想在数据帧中迭代行。相反，使用一次应用于完整列的矢量化函数。对于需要条件赋值的情况，相关函数为

np。其中
：

boolean_filter = newDF.loc[:,"Standard Duration Days"] != "No Set Standard Duration"
value_where_true = (timedelta(days = newDF.loc[:,"Standard Duration Days"].astype('int'))) + newDF.loc[:,"Date/Time Created"])
value_where_false = ""

newDF["Duration Target Date"] = np.where(boolean_filter, value_where_true, value_where_false) 

以下是使用行方式的一种方法：

newDF['Standard Duration Days'] = newDF['Standard Duration Days'].astype(int)

newDF['Duration Target Date'] = (newDF
                                .apply(lambda x:, x["Standard Duration Days"] + x["Date/Time Created"] if x["Standard Duration Days"] != "No Set Standard Duration" else None,axis=1)

注意：由于您没有提供任何数据，因此未对其进行测试。
我只需添加列，并保留
NaT
（非时间）错误

将文本添加到数字列会将整个列转换为
对象
，这会占用更多内存，效率更低。通常，我们希望将空值保留为
np.nan
，或者在整数的情况下可能保留一个前哨值。只有出于显示目的，才会转换这些数据，例如，
df['Duration Target Date'].fillna（“”）
当我运行此操作时，我会得到KeyError“Standard Duration Days”。有什么原因可以解释我为什么会这样吗？我想我的语法更新应该已经修复了它。再试一次？我重新运行它，现在收到ValueError：“无效的文本，以10为基数的int（）：“没有设置标准持续时间”
df = pd.DataFrame({
    "Standard Duration Days": [3, 5, "No Set Standard Duration"],
    "Date/Time Created": ['2019-01-01', '2019-02-01', '2019-03-01']
})

# 1. Convert string dates to pandas timestamps.
df['Date/Time Created'] = pd.to_datetime(df['Date/Time Created'])

# 2. Create time deltas, coercing errors.
delta = pd.to_timedelta(df['Standard Duration Days'], unit='D', errors='coerce')

# 3. Create new column by adding delta to 'Date/Time Created'.
df['Duration Target Date'] = (df['Date/Time Created'] + delta).dt.normalize()

>>> df
     Standard Duration Days Date/Time Created Duration Target Date
0                         3        2019-01-01           2019-01-04
1                         5        2019-02-01           2019-02-06
2  No Set Standard Duration        2019-03-01                  NaT