在Lambda Python中使用两个变量

我想基于两个变量创建一个新列。如果第1列>=0.5或第2列<0.5且第1列<0.5或第2列>=0.5，则我希望新列的值为Good，否则为Bad

我试过使用lambda和if

---

将行传递到lambda中

df['new column'] = df[['column 1', 'column 2']].apply(lambda row: "Good" if (row['column 1'] >= .5 or row['column 2'] < .5) and (row['column 1'] < .5 or row['column 2'] >= .5) else "Bad", axis=1)

---

将行传递到lambda中

df['new column'] = df[['column 1', 'column 2']].apply(lambda row: "Good" if (row['column 1'] >= .5 or row['column 2'] < .5) and (row['column 1'] < .5 or row['column 2'] >= .5) else "Bad", axis=1)

试试这个：

import pandas as pd 

def update_column(row):
    if (row['x'] >= .5 or row['y'] <= .5) and (row['x'] < .5 or row['y'] >= .5):
        return "Good"
    return "Bad"

df['new_column'] = df.apply(update_column, axis=1)

试试这个：

import pandas as pd 

def update_column(row):
    if (row['x'] >= .5 or row['y'] <= .5) and (row['x'] < .5 or row['y'] >= .5):
        return "Good"
    return "Bad"

df['new_column'] = df.apply(update_column, axis=1)

使用np。其中，pandas进行内部数据对齐，这意味着您不需要使用apply或逐行迭代，pandas将对齐索引上的数据：

df['new column'] = df['new column'] = np.where(((df['y'] <= .5) | (df['x'] > .5)) & ((df['x'] < .5) | (df['y'] >= .5)), 'Good', 'Bad')
df

时间： 每个回路5.83 ms±484µs，平均值±标准偏差为7次运行，每个回路100次

使用np。其中，pandas进行内部数据对齐，这意味着您不需要使用apply或逐行迭代，pandas将对齐索引上的数据：

df['new column'] = df['new column'] = np.where(((df['y'] <= .5) | (df['x'] > .5)) & ((df['x'] < .5) | (df['y'] >= .5)), 'Good', 'Bad')
df

时间： 每个回路5.83 ms±484µs，平均值±标准偏差为7次运行，每个回路100次

---

如果有矢量化选项，为什么要循环？当然，有几种不同的方法可以解决这个问题。但是循环通常要慢得多，而且应用比python循环快得多。这里是DataFrame.where方法，该方法速度更快，表现力更强。从长远来看，如果有一个向量化选项，那么了解工具why loop也是值得的？当然，有几种不同的方法可以解决这个问题。但是循环通常要慢得多，而且apply比python循环快得多。这里是DataFrame.where方法，该方法速度更快，表现力更强。从长远来看，了解这些工具也是值得的

df['new column'] = df['new column'] = np.where(((df['y'] <= .5) | (df['x'] > .5)) & ((df['x'] < .5) | (df['y'] >= .5)), 'Good', 'Bad')
df

import pandas as pd

df = pd.DataFrame({'x': [1, 2, 0.1, 0.1], 
                   'y': [1, 2, 0.7, 0.2], 
                   'column 3': [1, 2, 3, 4]})

df['new column'] = df['new column'] = np.where(((df['y'] <= .5) | (df['x'] > .5)) & ((df['x'] < .5) | (df['y'] >= .5)), 'Good', 'Bad')
df

     x    y  column 3 new column
0  1.0  1.0         1       Good
1  2.0  2.0         2       Good
2  0.1  0.7         3        Bad
3  0.1  0.2         4       Good

import pandas as pd
import numpy as np

np.random.seed(123)
df = pd.DataFrame({'x':np.random.random(100)*2, 
                   'y': np.random.random(100)*1})
def update_column(row):
    if (row['x'] >= .5 or row['y'] <= .5) and (row['x'] < .5 or row['y'] >= .5):
        return "Good"
    return "Bad"  

%timeit df['new column'] = np.where(((df['y'] <= .5) | (df['x'] > .5))
& ((df['x'] < .5) | (df['y'] >= .5)), 'Good', 'Bad')

%timeit df['new_column'] = df.apply(update_column, axis=1)