Python 错误：序列的真值不明确。使用a.empty、a.bool（）、a.item（）、a.any（）或a.all（）。无法更新数据帧列

我有一个数据帧df，它具有以下值：

           activityType activity_preferance
userID      
agashi1996  joinClub    Nan
agashi1998  post        Nan
agashi1998  post        Nan
agashi1998  post        Nan
agashi1994  followuser  Nan

userID列是此处的索引

如果activityType分别为joinClub、post、followuser，我想用1、2和3填充activity_Preference列

我写了这段代码：

for i,row in df_activity_filter.iterrows():
    if (df_activity_filter.loc[i,'activityType'] == 'joinClub'):
        df_activity_filter.loc[i,'activity_preferance'] = 1
    elif (df_activity_filter.loc[i,'activityType'] == 'post'):
        df_activity_filter.loc[i,'activity_preferance'] = 2
    elif (df_activity_filter.loc[i,'activityType'] == 'followuser'):
        df_activity_filter.loc[i,'activity_preferance'] = 3

我得到一个错误：

ValueError：序列的真值不明确。使用a.empty、a.bool、a.item、a.any或a.all

所需的数据帧/输出应如下所示：

           activityType activity_preferance
userID      
agashi1996  joinClub    1
agashi1998  post        2
agashi1998  post        2
agashi1998  post        2
agashi1994  followuser  3

>>> print(ser)

0  True
1  False
2  True
3  True
4  False
...

有什么帮助吗？

循环非常慢。您应在此处使用：

与其他解决方案的性能比较： 我的解决方案：

In [1582]: %timeit np.select(conditions, choices)
45.5 µs ± 1.84 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [1584]: %timeit df['activityType'].map(mapping)
401 µs ± 5.09 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [1590]: %timeit df.activityType.replace({'joinClub':1,'post':2,'followuser':3})
490 µs ± 20.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [1585]: %timeit df['activityType'].apply(lambda x: 1 if x=='joinClub' else None)
114 µs ± 1.56 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

@Djib2011的解决方案：

In [1582]: %timeit np.select(conditions, choices)
45.5 µs ± 1.84 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [1584]: %timeit df['activityType'].map(mapping)
401 µs ± 5.09 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [1590]: %timeit df.activityType.replace({'joinClub':1,'post':2,'followuser':3})
490 µs ± 20.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [1585]: %timeit df['activityType'].apply(lambda x: 1 if x=='joinClub' else None)
114 µs ± 1.56 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

@JenilDave的解决方案：

In [1582]: %timeit np.select(conditions, choices)
45.5 µs ± 1.84 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [1584]: %timeit df['activityType'].map(mapping)
401 µs ± 5.09 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [1590]: %timeit df.activityType.replace({'joinClub':1,'post':2,'followuser':3})
490 µs ± 20.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [1585]: %timeit df['activityType'].apply(lambda x: 1 if x=='joinClub' else None)
114 µs ± 1.56 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

@yashjain的解决方案：

In [1582]: %timeit np.select(conditions, choices)
45.5 µs ± 1.84 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [1584]: %timeit df['activityType'].map(mapping)
401 µs ± 5.09 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [1590]: %timeit df.activityType.replace({'joinClub':1,'post':2,'followuser':3})
490 µs ± 20.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [1585]: %timeit df['activityType'].apply(lambda x: 1 if x=='joinClub' else None)
114 µs ± 1.56 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

循环真的很慢。您应在此处使用：

与其他解决方案的性能比较： 我的解决方案：

In [1582]: %timeit np.select(conditions, choices)
45.5 µs ± 1.84 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [1584]: %timeit df['activityType'].map(mapping)
401 µs ± 5.09 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [1590]: %timeit df.activityType.replace({'joinClub':1,'post':2,'followuser':3})
490 µs ± 20.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [1585]: %timeit df['activityType'].apply(lambda x: 1 if x=='joinClub' else None)
114 µs ± 1.56 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

@Djib2011的解决方案：

In [1582]: %timeit np.select(conditions, choices)
45.5 µs ± 1.84 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [1584]: %timeit df['activityType'].map(mapping)
401 µs ± 5.09 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [1590]: %timeit df.activityType.replace({'joinClub':1,'post':2,'followuser':3})
490 µs ± 20.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [1585]: %timeit df['activityType'].apply(lambda x: 1 if x=='joinClub' else None)
114 µs ± 1.56 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

@JenilDave的解决方案：

In [1582]: %timeit np.select(conditions, choices)
45.5 µs ± 1.84 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [1584]: %timeit df['activityType'].map(mapping)
401 µs ± 5.09 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [1590]: %timeit df.activityType.replace({'joinClub':1,'post':2,'followuser':3})
490 µs ± 20.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [1585]: %timeit df['activityType'].apply(lambda x: 1 if x=='joinClub' else None)
114 µs ± 1.56 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

@yashjain的解决方案：

In [1582]: %timeit np.select(conditions, choices)
45.5 µs ± 1.84 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [1584]: %timeit df['activityType'].map(mapping)
401 µs ± 5.09 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [1590]: %timeit df.activityType.replace({'joinClub':1,'post':2,'followuser':3})
490 µs ± 20.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [1585]: %timeit df['activityType'].apply(lambda x: 1 if x=='joinClub' else None)
114 µs ± 1.56 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

---

Mayank提供了一个很好的答案，你仍然可以探索这个方法

---

Mayank提供了一个很好的答案，你仍然可以探索这个方法

th；dr我想你真正想要的是把activityType的值映射成整数。这最好由政府来做

映射={'joinClub'：1，'post'：2，'followuser'：3} df['activity\u Preference']=df['activityType'].映射 错误的意思是，如果您有这样的序列ser：

           activityType activity_preferance
userID      
agashi1996  joinClub    1
agashi1998  post        2
agashi1998  post        2
agashi1998  post        2
agashi1994  followuser  3

>>> print(ser)

0  True
1  False
2  True
3  True
4  False
...

其真值可能不明确，即它是真的还是假的？。如果我要写，python应该做什么：

如果ser： 做点什么 没有明确的答案，因为ser的布尔值是不明确的，因此会产生错误。

th；dr我想你真正想要的是把activityType的值映射成整数。这最好由政府来做

映射={'joinClub'：1，'post'：2，'followuser'：3} df['activity\u Preference']=df['activityType'].映射 错误的意思是，如果您有这样的序列ser：

           activityType activity_preferance
userID      
agashi1996  joinClub    1
agashi1998  post        2
agashi1998  post        2
agashi1998  post        2
agashi1994  followuser  3

>>> print(ser)

0  True
1  False
2  True
3  True
4  False
...

其真值可能不明确，即它是真的还是假的？。如果我要写，python应该做什么：

如果ser： 做点什么

---

没有明确的答案，因为ser的布尔值是不明确的，因此会产生错误。

为什么不使用

从“activityType”创建列“activity\u Preference”

>>>df['activity\u Preference']=df['activityType']。复制 然后，我们将用您的条件替换“活动\首选项”列的值

>>>df['activity\u preference']。替换{'joinClub'：1，'post'：2，'followuser'：3}，inplace=True

---

注意：小心使用inplace=True

为什么不使用

从“activityType”创建列“activity\u Preference”

>>>df['activity\u Preference']=df['activityType']。复制 然后，我们将用您的条件替换“活动\首选项”列的值

>>>df['activity\u preference']。替换{'joinClub'：1，'post'：2，'followuser'：3}，inplace=True

---

注意：注意inplace=True

请检查我的解决方案与我帖子中所有其他解决方案的性能计时。我的速度至少快了5-10倍。请检查我的解决方案与我帖子中所有其他解决方案的性能计时。我的速度至少是np的5-10倍。与np相比，map速度非常慢。选择。请检查我的时间比较解决方案。@MayankPorwal是的，你是对的，你的速度要快得多，但是如果你不太关心性能，我更喜欢map，因为它在概念上更简单、更干净……与np.select相比，map速度真的很慢。请检查我的时间比较解决方案。@MayankPorwal是的，你是对的，你的速度更快，但是如果你不太关心性能，我更喜欢map，因为它在概念上更简单、更清晰……我已经将性能时间比较与其他答案进行了比较。请查收。如果你觉得我的答案是好的，请别忘了投票。我已经把性能计时与其他答案进行了比较。请查收。如果你觉得我的答案是好的，请不要忘记投票。毫无疑问，你的解决方案很好，但它需要大量的硬编码而不是大量的打字。但是，我想我会比任何一天的写作都有更好的表现。是的，如果没有开发时间和内存限制的话，更好的表现总是赢的。毫无疑问，你的解决方案很棒，但它需要大量的硬编码而不是大量的打字。但是，我想我会比任何一天的写作都有更好的表现。是的，如果没有开发时间和内存限制，更好的表现总是胜出的