使用'乘以两个python数组；查找'；

我需要将每个“单元格”中的值乘以相应的权重（不包括第一列）。例如：

import numpy as np
import pandas as pd

columns = ['id', 'A', 'B', 'C']
index = np.arange(3)

df = pd.DataFrame(np.random.randn(3,4), columns=columns, index=index)

weights = {'A': 0.10, 'B': 1.00, 'C': 1.50}

最有效的方法是什么，并在新的数据帧中显示结果？

设置

df.at[0,'A'] * weights['A']
df.at[0,'B'] * weights['B']

解决方案

df
Out[1013]: 
         id         A         B         C
0 -0.641314 -0.526509  0.225116 -1.131141
1  0.018321 -0.944734 -0.123334 -0.853356
2  0.703119  0.468857  1.038572 -1.529723

weights
Out[1026]: {'A': 0.1, 'B': 1.0, 'C': 1.5}

W = np.asarray([weights[e] for e in sorted(weights.keys())])

更新

如果需要保持列名的灵活性，我认为更好的方法是将列名和权重保存在两个列表中：

#use a matrix multiplication to apply the weights to each column
df.loc[:,['A','B','C']] *= W
df
Out[1016]: 
         id         A         B         C
0 -0.641314 -0.052651  0.225116 -1.696712
1  0.018321 -0.094473 -0.123334 -1.280034
2  0.703119  0.046886  1.038572 -2.294584

然后你可以这样做：

columns = sorted(weights.keys())
Out[1072]: ['A', 'B', 'C']

weights = [weights[e] for e in columns]
Out[1074]: [0.1, 1.0, 1.5]

一条龙解决方案：

df.loc[:,columns] *=weights

Out[1067]: 
         id         A         B         C
0 -0.641314 -0.052651  0.225116 -1.696712
1  0.018321 -0.094473 -0.123334 -1.280034
2  0.703119  0.046886  1.038572 -2.294584

---

如果你喜欢，这里有一个简单的方法：

df.loc[:,sorted(weights.keys())] *=[weights[e] for e in sorted(weights.keys())]

df
Out[1089]: 
         id         A         B         C
0 -0.641314 -0.052651  0.225116 -1.696712
1  0.018321 -0.094473 -0.123334 -1.280034
2  0.703119  0.046886  1.038572 -2.294584

或者，如果要替换数据，请执行以下操作：

In [11]: df.assign(**{"{}_product".format(cl): val*df.loc[:,cl]
    ...:               for cl, val in weights.items()})
Out[11]:
         id         A         B         C  A_product  B_product  C_product
0 -1.893885  0.940408  0.841350 -0.669378   0.094041   0.841350  -1.004067
1 -0.526427  0.472322 -0.546121  0.201615   0.047232  -0.546121   0.302423
2 -0.450193 -0.422066  0.564866  1.866878  -0.042207   0.564866   2.800318

---

这会产生一个新的数据帧，并且无法正常工作。

我认为最简单的方法是从

dict

创建

系列
，它可以将索引与列名对齐：

In [13]: df.assign(**{cl: val*df.loc[:,cl]
    ...:                for cl, val in weights.items()})
Out[13]:
         id         A         B         C
0 -1.893885  0.094041  0.841350 -1.004067
1 -0.526427  0.047232 -0.546121  0.302423
2 -0.450193 -0.042207  0.564866  2.800318

以及更通用的解决方案，谢谢：

这在dataframe和dictionary中都容纳了非重叠键

df[list(weights)] *= pd.Series(weights)
print (df)
         id         A         B         C
0 -0.641314 -0.052651  0.225116 -1.696711
1  0.018321 -0.094473 -0.123334 -1.280034
2  0.703119  0.046886  1.038572 -2.294585

注意：
df
有
id
而
权重
没有<代码>权重
有
D
而
df
没有。此解决方案仅修改重叠的列。而且，它非常简洁

np.random.seed([3,1415])    
df = pd.DataFrame(
    np.random.randn(3,4),
    columns='id A B C D'.split()
)

weights = dict(A=.1, B=1., C=1.5, D=2.)

df

         id         A         B         C
0 -2.129724 -1.268466 -1.970500 -2.259055
1 -0.349286 -0.026955  0.316236  0.348782
2  0.715364  0.770763 -0.608208  0.352390

这是否假定权重数组与df列的顺序相同？在我的实际数据中，它们不是，所以我需要一种方法来查找相应的weight@weights不是一个数组，它是一个
dict
请查看我的数据，看看这是否是您想要的。是的。。。这是你的答案。保持它的通用性
df[list（weights.keys（））]*=pd.Series（weights）
非常好，但是您应该使用
list（weights）
而不是
list（weights.keys（））
np.random.seed([3,1415])    
df = pd.DataFrame(
    np.random.randn(3,4),
    columns='id A B C D'.split()
)

weights = dict(A=.1, B=1., C=1.5, D=2.)

df

         id         A         B         C
0 -2.129724 -1.268466 -1.970500 -2.259055
1 -0.349286 -0.026955  0.316236  0.348782
2  0.715364  0.770763 -0.608208  0.352390

df.update(df.mul(pd.Series(weights)).dropna(1))
df

         id         A         B         C
0 -2.129724 -0.126847 -1.970500 -3.388583
1 -0.349286 -0.002696  0.316236  0.523173
2  0.715364  0.077076 -0.608208  0.528586