Python 有没有比“更快捷的方法？”；至于；要比较列中的值以选择所需的值？

我在一个数据框中有这两个不同的列。我想迭代并知道列

'Entry\u Point'

是否是Str，然后在

Delivery\u Point

中放入

客户机编号

df
Client_Num     Entry_Point        Delivery_Point
1                      0
2                      a
3                      3
4                      4
5                      b
6                      c
8                      d

应该是这样的：

Client_Num     Entry_Point        Delivery_Point
1                     10                 10
2                      a                 2
3                      32                32
4                      14                14
5                      b                 5
6                      c                 6
8                      d                 8

我已经试着做了很多次了，但是时间太长了，特别是当我有2万行的时候

for i in range(len(df)):
   if  type(df.loc[i]['Entry_Point']) == str:
       df.loc[i]['Delivery_Point'] = df.loc[i]['Client_num']
   else:
       df.loc[i]['Delivery_Point'] = df.loc[i]['Entry_Point']

---

列将作为单个数据类型导入。因此，您应用的方法可能无法获取正确的结果。我想你应该做以下几点：

df['Delivery_Point'] = df.apply(lambda x: x.Client_num if not x.Entry_Point.strip().isnumeric() else x.Entry_Point, axis=1)

---

另一种可能在非常大的数据集上表现更好的方法是使用矢量化numpy函数：

将numpy导入为np
@矢量化
def get_if_str（客户端数量、入口点）：
如果存在（入口点，str）：
返回client_num
返回入口点
df['Delivery_Point']=get_if_str（df['Client_Num']，df['Entry_Point']））

我们可以在这里比较时间：

##慢行
def通用（df）：
对于范围内的i（len（df））：
如果类型（df.loc[i]['Entry_Point']）==str：
df.loc[i]['Delivery\u Point']=df.loc[i]['Client\u Num']
其他：
df.loc[i]['交货点]]=df.loc[i]['入境点]]
%timeit通用（df）
#每个回路237 ms±5.88 ms（7次运行的平均值±标准偏差，每个回路1次）
#毫秒
%timeit df['Delivery_Point']=get_if_int（df['Client_Num']，df['Entry_Point']））
#每个回路185µs±1.38µs（7次运行的平均值±标准偏差，每个10000个回路）
#微秒

如您所见，使用Numpy矢量化函数可以获得可观的收益。更多关于它们的信息可以找到

编辑

如果您实际使用了值的numpy数组，那么应该可以从矢量化中获得更好的性能：

df['Delivery_Point']=get_if_str（df['Client_Num']值，df['Entry_Point']值）

让我们用pandas

来表示数字

df['New']=pd.to_numeric(df.Entry_Point,errors='coerce').fillna(df.Client_Num)
df
Out[22]: 
   Client_Num Entry_Point  New
0           1           0  0.0
1           2           a  2.0
2           3           3  3.0
3           4           4  4.0
4           5           b  5.0
5           6           c  6.0
6           8           d  8.0