Python 是否基于同一行的其他列中的值将函数应用于dataframe列元素？

我有一个数据帧：

df = pd.DataFrame(
    {'number': ['10', '20' , '30', '40'], 'condition': ['A', 'B', 'A', 'B']})

df = 
    number    condition
0    10         A
1    20         B
2    30         A
3    40         B

我想对数字列中的每个元素应用一个函数，如下所示：

 df['number'] = df['number'].apply(lambda x: func(x))

但是，即使我将函数应用于数字列，我希望函数也引用

条件

列，即伪代码：

func(n):
    #if the value in corresponding condition column is equal to some set of values:
        # do some stuff to n using the value in condition
        # return new value for n

对于单个数字，我将编写一个示例函数：

number = 10
condition = A
def func(num, condition):
    if condition == A:
        return num*3
    if condition == B:
        return num*4

func(number,condition) = 15

如何将相同的函数合并到上面编写的

apply

语句中？i、 e.参考条件列中的值，同时作用于数字列中的值

注意：我已经阅读了

np.where（）

、

pandas.loc（）

和

pandas.index（）

上的文档，但我不知道如何将其付诸实践

我正在努力使用从函数中引用另一列的语法，因为我需要访问

number

和

condition

列中的值

因此，我的预期产出是：

df = 
    number    condition
0    30         A
1    80         B
2    90         A
3    160         B

更新：上述内容过于模糊。请参见以下内容：

df1 = pd.DataFrame({'Entries':['man','guy','boy','girl'],'Conflict':['Yes','Yes','Yes','No']})


    Entries    Conflict
0    "man"    "Yes"
1    "guy"    "Yes"
2    "boy"    "Yes"
3    "girl"   "No

def funcA(d):
    d = d + 'aaa'
    return d
def funcB(d):
    d = d + 'bbb'
    return d

df1['Entries'] = np.where(df1['Conflict'] == 'Yes', funcA, funcB)

Output:
{'Conflict': ['Yes', 'Yes', 'Yes', 'Np'],
 'Entries': array(<function funcB at 0x7f4acbc5a500>, dtype=object)}

---

我不知道如何使用

pandas.DataFrame.apply

，但是您可以定义一个特定的

条件：乘数

键值映射（见下面的

乘数

），并将其传递到您的函数中。然后，您可以使用列表理解来根据这些条件计算新的

编号

输出：

import pandas as pd
df = pd.DataFrame({'number': [10, 20 , 30, 40], 'condition': ['A', 'B', 'A', 'B']})

multiplier = {'A': 2, 'B': 4}

def func(num, condition, multiplier):
    return num * multiplier[condition]

df['new_number'] = [func(df.loc[idx, 'number'], df.loc[idx, 'condition'], 
                     multiplier) for idx in range(len(df))]

结果如下：

df
Out[24]: 
  condition  number  new_number
0         A      10          30
1         B      20          80
2         A      30          90
3         B      40         160

---

可能有一种更“理想”的矢量化纯pandas解决方案。但这在紧要关头也能起作用。

由于问题是关于将apply函数应用于同一行的数据帧列，因此将pandas

apply

函数与

lambda

结合使用似乎更准确：

import pandas as pd
df = pd.DataFrame({'number': [10, 20 , 30, 40], 'condition': ['A', 'B', 'A', 'B']})

def func(number,condition):
    multiplier = {'A': 2, 'B': 4}
    return number * multiplier[condition]

df['new_number'] = df.apply(lambda x: func(x['number'], x['condition']), axis=1)

在本例中，

lambda

获取数据帧df的“number”和“condition”列，并使用

apply

将同一行的这些列应用于函数func

这将返回以下结果：

df
Out[10]: 
 condition  number  new_number
0   A   10  20
1   B   20  80
2   A   30  60
3   B   40  160

df
Out[12]:


    Conflict    Entries
0   Yes     manaaa
1   Yes     guyaaa
2   Yes     boyaaa
3   No  girlbbb

对于更新案例也可以使用

apply

功能：

df1 = pd.DataFrame({'Entries':['man','guy','boy','girl'],'Conflict':['Yes','Yes','Yes','No']})

def funcA(d):
    d = d + 'aaa'
    return d
def funcB(d):
    d = d + 'bbb'
    return d

df1['Entries'] = df1.apply(lambda x: funcA(x['Entries']) if x['Conflict'] == 'Yes' else funcB(x['Entries']), axis=1)

在本例中，

lambda

获取数据帧df的“Entries”和“Conflict”列，并将这些列应用于与

apply

相同行的funcA或funcB。将应用funcA或funcB的条件是通过lambda中的

if else

子句完成的

这将返回以下结果：

df
Out[10]: 
 condition  number  new_number
0   A   10  20
1   B   20  80
2   A   30  60
3   B   40  160

df
Out[12]:


    Conflict    Entries
0   Yes     manaaa
1   Yes     guyaaa
2   Yes     boyaaa
3   No  girlbbb

---

首先，创建df的代码有错误，其次需要

df.apply（lambda行：func（行['number']，行['condition']），axis=1）

这将

按行应用

以便您可以引用其他列。此外，当存在向量化方法时，不应求助于

apply

。您本可以完成

np.where（df['condition']='A'，df['num']*3，df['num']*4）

但您的设置代码正在传递数字字符串column@EdChum道歉，检查错误。我同意-代码乱七八糟，我真的很惊讶它有一半的时间是有效的！好的，所以我可以写

df['number']=np.where（df[condition']='A'，functionA，functionB）

并在其他地方定义

functionA

和

functionB

（比如在那行上方）？您需要精心设计这些函数来接受一个序列或数据帧，并返回一个布尔数组或一个与原始df长度相同的数组，但您已经定义了它，所以我不能推测它是否不存在code@EdChum

np.其中

解决方案很好，需要检查的条件很少，但在许多情况下都需要改进。@not_a_机器人我这里的观点是OP没有完全满足他们的要求，所以对我来说这是推测，我只能用这里提供的信息来回答