Python 熊猫条件过滤器

我有一个数据帧

   A     B     C
0  True  True  True
1  True  False False
2  False False False

我想添加一个具有以下条件的D行：

如果A、B和C为真，则D为真。否则，D是假的

我试过了

df['D'] = df.loc[(df['A'] == True) & df['B'] == True & df['C'] == True] 

我明白了

然后我尝试按照链接中的建议编写了一个类似的函数：

def all_true(row):

   if row['A'] == True:
      if row['B'] == True:
         if row['C'] == True:
             val = True
   else:
      val = 0

return val

df['D'] = df.apply(all_true(df), axis=1)

在这种情况下，我会

ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().

---

我很感谢你的建议。谢谢

与

True

相比，无需使用

和
的ony-chain布尔掩码：

df['D'] = df['A'] & df['B'] & df['C']

如果绩效很重要：

df['D'] = df['A'].values & df['B'].values & df['C'].values

或用于检查每行的所有
True
s：

df['D'] = df[['A','B','C']].all(axis=1)

#numpy all 
#df['D'] = np.all(df.values,1)


性能：



或者更好：

df['D']=df.all(1)

现在：

print(df)

是:

使用熊猫：

或：

或：

@jezrael，什么是
perfplot
这是matplotlib导入吗？我喜欢学习这是一个很好的例子。不，这是自定义模块，从unutbu学习，-但它使用matplotlibGood Try+1:-）
np.random.seed(125)

def all1(df):
    df['D'] = df.all(axis=1)
    return df

def all1_numpy(df):
    df['D'] = np.all(df.values,1)
    return df

def eval1(df):
    df['D'] = df.eval('A & B & C')
    return df

def chained(df):
    df['D'] = df['A'] & df['B'] & df['C']
    return df

def chained_numpy(df):
    df['D'] = df['A'].values & df['B'].values & df['C'].values
    return df

def make_df(n):
    df = pd.DataFrame({'A':np.random.choice([True, False], size=n),
                       'B':np.random.choice([True, False], size=n),
                       'C':np.random.choice([True, False], size=n)})
    return df

perfplot.show(
    setup=make_df,
    kernels=[all1, all1_numpy, eval1,chained,chained_numpy],
    n_range=[2**k for k in range(2, 25)],
    logx=True,
    logy=True,
    equality_check=False,
    xlabel='len(df)')

df['D']=df.all(1)

print(df)

       A      B      C      D
0   True   True   True   True
1   True  False  False  False
2  False  False  False  False

df['D'] = df.eval('A & B & C')

df = df.eval('D = A & B & C')
#alternative inplace df.eval('D = A & B & C', inplace=True)

df['D'] = np.all(df.values,1)

print(df)
       A      B      C      D
0   True   True   True   True
1   True  False  False  False
2  False  False  False  False