Python 将字符串解析为筛选数据帧的条件

嗨，我有一个熊猫数据框，我有一个a列

data = pandas.DataFrame()
data['A']= [numpy.random.choice([1,2,3,4,5,6]) for i in range(10)]

我想在a上添加一个列B条件（当a=1时，B=0，当a>5时，B=1），而不是使用：

data.loc[data['A']==1,'B']=0
data.loc[data['A']>5, 'B']=1

在这里，我想创建一个函数，在给定条件的情况下作为dict来执行此操作：{'a=1'：0，'a>5'：1}，因此我可以使用add_列（{'a=1'：0，'a>5'：1}，'B'）来执行上面的代码。我觉得和运营商打交道很棘手，有什么好主意吗

def add_column(condition_dict, NewColumnName):
    pass

---

虽然可能有一些有效的方法，但一种可能的方法是使用

eval

函数

创建输入

df

：

import pandas as pd
import numpy as np

data = pd.DataFrame()
data['A']= [np.random.choice([1,2,3,4,5,6]) for i in range(10)]
print(data)

   A
0  4
1  3
2  3
3  1
4  1
5  2
6  3
7  6
8  2
9  1

输入

df

：

import pandas as pd
import numpy as np

data = pd.DataFrame()
data['A']= [np.random.choice([1,2,3,4,5,6]) for i in range(10)]
print(data)

   A
0  4
1  3
2  3
3  1
4  1
5  2
6  3
7  6
8  2
9  1

现在，创建了一个函数，

在
数据帧
和
条件_dict
的每一行中迭代

，当

行

求值匹配时，

值

存储在相应行的列表中，该列表针对

新列

进行更新。如果所有条件都不匹配，则默认情况下，它将

无

：

def add_column(df, condition_dict, NewColumnName):
    new_values = []
    for index, row in df.iterrows():
        # if none of the condition matches then put default value
        default_value = None
        # iterate through each condition to check if any matches
        for key, value in condition_dict.items():
            expression = 'row.' + key
            if(eval(expression)):
                default_value = value
        # add corresponding rows new value for new column        
        new_values.append(default_value)

    df[NewColumnName] = new_values

现在，要调用函数：

add_column(data, {'A==1':0, 'A>5':1}, 'B')
print(data)

输出：

   A    B
0  4  NaN
1  3  NaN
2  3  NaN
3  1  0.0
4  1  0.0
5  2  NaN
6  3  NaN
7  6  1.0
8  2  NaN
9  1  0.0