Python 根据特定值重命名多个数据帧值

这是我的数据帧：

              A         i         j
0   O-20-003049       NaN       NaN
1             1  0.643284  0.834937
2             2  0.056463  0.394168
3             3  0.773379  0.057465
4             4  0.081585  0.178991
5             5  0.667667  0.004370
6             6  0.672313  0.587615
7   O-20-003104       NaN       NaN
8             1  0.916426  0.739700
9   O-20-003117       NaN       NaN
10            1  0.800776  0.614192
11            2  0.925186  0.980913
12            3  0.503419  0.775606

我想重命名A列中的值，以便得到以下结果：

            A         x         y
0  O-20-003049.01  0.593312  0.666600
1  O-20-003049.02  0.554129  0.435650
2  O-20-003049.03  0.900707  0.623963
3  O-20-003049.04  0.023075  0.445153
4  O-20-003049.05  0.307908  0.503038
5  O-20-003049.06  0.844624  0.710027
6  O-20-003104.01  0.026914  0.091458
7  O-20-003117.01  0.275906  0.398993
8  O-20-003117.02  0.101117  0.691897
9  O-20-003117.03  0.739183  0.213401

这就是我到目前为止所拥有的（多亏了科雷恩的帮助）

运行此操作时，会收到以下错误消息： 无法使用包含NA/NaN值的非布尔数组进行掩码

然后我尝试将“==True”添加到布尔掩码：

mask = df1["A"].str.startswith("O-") == True

这将消除错误消息，但输出仍然不正确

                         A
0  O-21-002001.O-21-002001
1                      NaN
2                      NaN
3                      NaN
4                      NaN
5                      NaN
6  O-21-002002.O-21-002002
7                      NaN
8                      NaN

任何想法都将不胜感激。

让我们试试：

用NaN替换数字索引

菲林提出了标签

筛选表以删除标签行

要添加百分之一百指标的组

将numpy导入为np
作为pd进口熊猫
df=pd.DataFrame（{'A'：{0:'O-20-003049'，1:'1'，2:'2'，3:'3'，
4:'4'，5:'5'，6:'6'，7:'O-20-003104'，
8:'1'，9:'O-20-003117'，
10: '1', 11: '2', 12: '3'},
"i":{0:np.nan,1:0.643284,2:0.056463,，
3: 0.773379, 4: 0.081585, 5: 0.667667,
6:0.672313,7:np.nan,8:0.916426，
9:np.nan，10:0.800776，11:0.925186，
12: 0.503419},
"j":{0:np.nan,1:0.834937,2:0.394168,，
3: 0.057465, 4: 0.178991, 5: 0.00437,
6:0.587615,7:np.nan,8:0.7397,9:np.nan，
10: 0.614192, 11: 0.980913, 12: 0.775606}})
#图形中非数值的掩码
m=df['A'].str.isnumeric（）
#将A中的非数值替换为NaN和FFILL
df['A']=np.where（m，np.NaN，df['A']）
df['A']=df['A'].ffill（）
#过滤掉没有数据的行
df=df[m]。重置索引（drop=True）
#将第1/100个标记添加到
df['A']=df['A']+\
（（df.groupby（（~m.cumsum（））.cumcount（）+1）/100.astype（str）
打印（df）

df

：

                 A         i         j
0  O-20-0030490.01  0.643284  0.834937
1  O-20-0030490.02  0.056463  0.394168
2  O-20-0030490.03  0.773379  0.057465
3  O-20-0030490.04  0.081585  0.178991
4  O-20-0030490.05  0.667667  0.004370
5  O-20-0030490.06  0.672313  0.587615
6  O-20-0031040.07  0.916426  0.739700
7  O-20-0031170.01  0.800776  0.614192
8  O-20-0031170.02  0.925186  0.980913
9  O-20-0031170.01  0.503419  0.775606

---

您也可以使用np.where->np.where（df.A.str.isnumeric（），np.NAN，df.A）来提高性能您是正确的，np.where的性能明显更高。更新了我的答案。谢谢

                 A         i         j
0  O-20-0030490.01  0.643284  0.834937
1  O-20-0030490.02  0.056463  0.394168
2  O-20-0030490.03  0.773379  0.057465
3  O-20-0030490.04  0.081585  0.178991
4  O-20-0030490.05  0.667667  0.004370
5  O-20-0030490.06  0.672313  0.587615
6  O-20-0031040.07  0.916426  0.739700
7  O-20-0031170.01  0.800776  0.614192
8  O-20-0031170.02  0.925186  0.980913
9  O-20-0031170.01  0.503419  0.775606