在axis=1上嘗試pivot+diff，然后idxmin： min_index = ( df.reset_index() .pivot(index='index', columns='type', values='price') .dropna() .diff(axis=1).iloc[:, -1].abs().idxmin()) min_index: 3500 *注意pivot只有在同一索引中沒(méi)有重復(fù)的'C'或'P'值時(shí)才起作用。 pivot要按索引并排獲取值： df.reset_index().pivot(index='index', columns='type', values='price') type C Pindex 3000 300.0 500.03500 300.0 400.04500 NaN 100.0 dropna要?jiǎng)h除不同時(shí)具有兩個(gè)值的行，請(qǐng)執(zhí)行以下操作： type C Pindex 3000 300.0 500.03500 300.0 400.0 diff軸1上： type C Pindex 3000 NaN 200.03500 NaN 100.0 iloc以獲取最后一列（diff在其中累積）。 index3000 200.03500 100.0Name: P, dtype: float64 abs獲取每個(gè)元素的絕對(duì)數(shù)值。 idxmin要獲取最小值的索引：

我相信你想要的是： maint_tel_comp1 = tel_times.merge(maint_comp1, on='machineID', how='inner')maint_tel_comp1[maint_tel_comp1['datetime_tel'].gt(maint_tel_comp1['datetime_maint'])] 問(wèn)題是您的合并還確保了datetime_tel == datetime_maint，因此您的條件是返回一個(gè)空數(shù)據(jù)幀。

你能試試這個(gè)嗎： df_employee1['LatestEmploymentDate'] = pd.to_datetime('2019-12-31')df_employee1.loc[df_employee1['EmploymentEndDate'].isna()!=True, 'LatestEmploymentDate'] = df_employee1['EmploymentEndDate']print(df_employee1[['LatestEmploymentDate','EmploymentEndDate'] ])

你可以做兩件事。 第一，正如Parfait在注釋中建議的那樣，返回元組而不是整數(shù)lambda x: (0, 0) if x['A'] == 1 else some_func(x['A'], x['B'])。 否則，如果您的邏輯更復(fù)雜，我建議您將if邏輯移到函數(shù)本身。 # A function that returns multiple things.def some_func(df): if df['A'] == 1: # Replace with your condition return (None, None) # Return a tuple, with whatever values. I suggest None, but 0 is OK. # Some elif logic else: return x+y, x-y Then: df['C'], df['D'] = zip(*df.apply(some_func, axis=1))

您可以使用.isin()并將三列> 100和==傳遞給C列，使用&和|傳遞and和or。注意這里的括號(hào)： df = df[((df['AREA'].isin(['A','B','D'])) & (df['AMOUNT'] > 100)) | ((df['AREA'] == 'C') & (df['AMOUNT'] < 100))]dfOut[1]: AREA AMOUNT0 A 10003 B 30004 C 225 D 300

Input data: >>> df name strike # ltp > strike0 INFY 1000 # False1 INFY 1020 # False <-|2 INFY 1040 # False <-|3 INFY 1060 # False <-|4 INFY 1080 # True <- this is the breakpoint, idx=4 <-|5 INFY 1100 # True <-|6 INFY 1120 # True <-|7 INFY 1140 # True8 INFY 1160 # True9 INFY 1180 # True10 INFY 1200 # True11 INFY 1220 # True 使用argmin查找斷點(diǎn)，并在下面和上面分別獲取3項(xiàng)和3項(xiàng)，包括斷點(diǎn)： >>> idx = df['strike'].lt(ltp).argmin()>>> out = df['strike'].iloc[max(idx-3, 0):min(idx+3, len(df))] Output result: >>> out1 10202 10403 10604 10805 11006 1120Name: strike, dtype

您可以簡(jiǎn)單地使用位運(yùn)算符： df['col6'] = ((df["col4"]>1) & (df["col5"]>1))*1df['col7'] = ((df["col4"]>1) & (df["col5"]>1) & (df['col4']+df['col5']>2))*1>>> df col1 col2 col3 col4 col5 col6 col70 1.36 4.31 7.66 2 2 1 11 2.62 3.30 2.48 2 1 0 02 5.19 3.58 1.62 0 2 0 03 2.06 3.16 3.50 1 1 0 04 2.19 2.98 3.38 1 1 0 0

可能是這樣的： SELECT SUM(case when status_FK = 1 then value else 0 end) as `status1`, SUM(case when status_FK = 2 then value else 0 end) as `status2`FROM @tableWHERE value > 1500 更新1：您可以有任意多個(gè)，如果您有少量列顯示，則最好： SELECT SUM(case when status_FK = 1 then value else 0 end) as `status1`, SUM(case when status_FK = 2 then value else 0 end) as `status2`, ... SUM(case when status_FK = n then value else 0 end) as `statusn`, FROM @tableWHERE value > 1500 對(duì)于復(fù)雜的情況，可以查看PIVOT。

你可以直接做： res = df_genders[~df_genders['Gender'].isin(('Man', 'Woman'))]['Count'].sum()print(res) Output 416 但我認(rèn)為，如果你用你正在尋找的分類(lèi)創(chuàng)建一個(gè)新的專(zhuān)欄，例如，一種方法： df_genders['grouped-genders'] = df_genders['Gender'].map({ 'Man' : 'Man', 'Woman' : 'Woman' }).fillna('Non-Binary')print(df_genders) Output Country Gender Count grouped-genders0 US Man 7996 Man1 US Woman 915 Woman2 US Non-Binary,Genderqueer 11 Non-Binary3 US Non-Binary 34 Non-Binary4 US Non-Binary,Genderqueer,Non-Conforming 153 Non-Binary5 India Man 3857 Man6 India Woman 287 Woman7 India Non-Binary 47 Non-Binary8 UK Man 2566 Man9 UK Woman 272 Woman10 UK

通過(guò)pivot_table()嘗試： out=df.pivot_table('Amount','ID','Type',fill_value=0,aggfunc=['sum','count']) Then: out=(out.swaplevel(axis=1) .rename(columns=lambda x:'_FREQ' if x=='count' else '',level=1) .rename_axis(columns=[None,None]) .reset_index()) Finally: out.columns=out.columns.map(''.join) out的輸出： ID CR DB CR_FREQ DB_FREQ0 1 63 40 2 11 2 99 0 1 0

來(lái)自pandas.DataFrame.query的文檔 DataFrame.query(expr, inplace=False, **kwargs)[source]使用布爾表達(dá)式查詢(xún)數(shù)據(jù)幀的列。 參數(shù)expr str：要計(jì)算的查詢(xún)字符串。 如果您的一列被稱(chēng)為a，并且您想將其與b求和，那么您的查詢(xún)應(yīng)該是'a`+b。 因此，您需要將列名加上一對(duì)“，”并用“，”notnull“將被視為字符串值，而不是函數(shù)，因此您需要將代碼更改為： print(df.query("`AD65`.notna() & `B14` == 'Maschine'"))

您可以向前或向后填充缺少的值，然后選擇最后一列或第一列： test['Final'] = test.ffill(axis=1).iloc[:, -1] test['Final'] = test.bfill(axis=1).iloc[:, 0] 如果每行只有一個(gè)非缺失值，請(qǐng)使用數(shù)字： test['Final'] = test.min(1)test['Final'] = test.max(1)test['Final'] = test.mean(1)test['Final'] = test.sum(1, min_count=1)

這可能是因?yàn)槟愕娜諝v年是一個(gè)nvarchar，所以當(dāng)你只搜索2020年時(shí)，它會(huì)拋出一個(gè)錯(cuò)誤。試著在2020年前后加上一些“”，這樣你的代碼看起來(lái) pd.read_sql_query("SELECT * FROM [abc] WHERE [calendarYear] = '2020'", connectionObject)

您編寫(xiě)的每個(gè)條件都會(huì)計(jì)算為一系列多個(gè)布爾值。三個(gè)條件的組合結(jié)果也成為布爾級(jí)數(shù)Pythonif語(yǔ)句無(wú)法處理這樣的Pandas序列，它會(huì)計(jì)算序列中的每個(gè)元素，并將其逐個(gè)饋送到后面的語(yǔ)句。因此，錯(cuò)誤ValueError: The truth value of a Series is ambiguous. 要解決此問(wèn)題，必須使用Pandas語(yǔ)法進(jìn)行編碼，如下所示： mask = (merge['check'] == 1) & (merge['sqft'] > 0) & (merge['sqm'] == 0)merge.loc[mask, 'checksqm'] = merge['sqft']/10.7639 或者，組合在一個(gè)語(yǔ)句中，如下所示： merge.loc[(merge['check'] == 1) & (merge['sqft'] > 0) & (merge['sqm'] == 0), 'checksqm'] = merge['sqft']/10.7639 這樣，Pandas就可以對(duì)布爾級(jí)數(shù)求值，并對(duì)組合3個(gè)條件的True值對(duì)應(yīng)的行進(jìn)行處理，從每一行取相應(yīng)的值進(jìn)行處理。像if這樣的普通Python語(yǔ)句不支持這種場(chǎng)景下的矢量化操作。

這可以用與您為所描述的請(qǐng)求構(gòu)造SQL查詢(xún)相同的方法來(lái)完成，只需使用gorm函數(shù)即可。它可能看起來(lái)像這樣： var books []Booktx := db.Table("books"). Joins("INNER JOIN user_liked_books ulb ON ulb.book_id = books.id"). Select("books.id, books.name, count(ulb.user_id) as likes_count"). Group("books.id, books.name"). Order("likes_count desc"). Limit(50). Find(&books) 如果您還想加載Likes字段，請(qǐng)嘗試將.Preload("Likes")添加到上面的構(gòu)造中。