這有點棘手，但您都可以使用遮罩來實現(xiàn)。 為此，您需要： 提取Ci索引 計算Ci<類別（m1）的單元格的掩碼 為Ci>=類別（m2）的單元格計算掩碼 計算值小于地板（m3）的單元格的遮罩 計算值為>ceil（m4）的單元格的掩碼 使用where和上述掩碼應(yīng)用新值 idx = df.filter(regex='c\d').columnscols = idx.str[1:].astype(int).valuesrows = df['category'].valuesm1 = cols<rows[:,None] # using numpy broadcastingm2 = cols>=rows[:,None] #m3 = df[idx].lt(df['floor'], axis=0)m4 = df[idx].gt(df['ceil'], axis=0)df[idx] = (df[idx].where(m1|m3, df['floor'], axis=0) .where(m2|m4, df['ceil'], axis=0) ) output: category ceil floor c1 c2 c3 c4 c5 c60 6 10 2 67 51 76 80 41 21 2 20 15 21 15 15 13 15 152 3 30 25 37 30 25 25

由于melt在這里沒有給出正確的順序，您必須使用stack： out = df.rename_axis(index='Source', columns='Target').stack() \ .rename('Weight').reset_index()print(out)# Output Source Target Weight0 A Fe 21 A Ma 122 A None 503 An Fe 04 An Ma 05 An None 1 Setup MRE: df = pd.DataFrame({'Fe': {'A': 2, 'An': 0}, 'Ma': {'A': 12, 'An': 0}, 'None': {'A': 50, 'An': 1}})df = df.rename_axis(index='Word', columns='Type')print(df)# OutputType Fe Ma NoneWord A 2 12 50An 0 0 1

一種簡單的方法是遍歷列并檢查列名（string type）是否只包含數(shù)字（str.isdecimal()），然后將其轉(zhuǎn)換為int），否則將其保留為字符串 在一行中： A = [int(x) if x.isdecimal() else x for x in df.columns ]

也許你可以用np.where來更新這些值？例如，我創(chuàng)建了新列，但您可以覆蓋舊列： df.datetime = pd.to_datetime(df.datetime)df.set_index('datetime', inplace = True)df['new_p'] = np.where(df.index.isin(df.between_time(start_time='00:15:00',end_time='00:30:00').index), 99999, df['p']) Output:

如果要比較2數(shù)據(jù)幀并檢查任何更改/差異，為什么不使用DataFrame.compare()函數(shù)？ 以下是基于示例數(shù)據(jù)的示例輸出： df.compare(df1) Output: episodes self other0 12.0 42.01 32.0 24.03 32.0 29.0 默認(rèn)情況下，它僅突出顯示差異。這里，它顯示只有列episodes有差異。self對應(yīng)于df的值，other對應(yīng)于df1的值 左邊的索引，即0、1和3顯示了不同的行索引。 如果要顯示整個原始形狀，還可以使用keep_shape=參數(shù)，如下所示： df.compare(df1, keep_shape=True) Output: name episodes gender self other self other self other0 NaN NaN 12.0 42.0 NaN NaN1 NaN NaN 32.0 24.0 NaN NaN2 NaN NaN NaN NaN NaN NaN3 NaN NaN 32.0 29.0 NaN NaN4 NaN NaN NaN NaN NaN NaN5 NaN NaN NaN NaN NaN NaN 僅顯示不同的值。NaN值是沒有差異的值。 當(dāng)然，如果愿意，也可以選擇顯示所有值，包括相等值，如下所示： df.compare(df1, keep_shape=True,

您可以使用rename_axis： DF.rename_axis('TestName').reset_index().set_index('b')

僅對選定列使用numpy.select： c = ['a','b','c']#if necessary convert to numericdf1[c] = df1[c].astype(float)df1[c] = np.select([df1[c] > 0, df1[c] <= 0], ['big','small'], default='No data') print (df1) Details a b c0 A big big No data1 B small big small2 C big small big 如果需要測試所有列而不首先測試： df1.iloc[:, 1:] = np.select([df1.iloc[:, 1:] > 0, df1.iloc[:, 1:] <= 0], ['big','small'], default='No data')

更改類別名稱意味著用字典替換值。我說的對嗎？ 試著這樣做： df = df["label"].replace({ 'zero': '0', 'one': '1', 'two': '2', 'three': '3', 'four': '4', 'five': '5', 'six': '6', 'seven': '7', 'eight': '8', 'nine': '9' })

你可以使用set_index。根據(jù)您的需要更新以下示例： >>> df1 valuedate2021-02-22 714.502021-02-23 698.842021-02-24 742.02>>> df2 valueindex0 668.8600 673.4700 684.018>>> df2.set_index(df1.index) valuedate2021-02-22 668.8602021-02-23 673.4702021-02-24 684.018

Use: a = df.loc['name1'].replace({'[a-z]':'green', '':np.nan},regex=True)b = df.loc['name2'].replace({'[a-z]':'red', '':np.nan},regex=True)df.loc['name1'] = a.fillna(b).fillna('yellow')print (df) col1 col2 col3name1 green red yellowname2 a df.loc['name2','col2'] = ''print (df) col1 col2 col3name1 green red yellowname2

Use str.split: df[0] = df[0].str.split()print(df)# Output 0 10 [a, b, c, d, e] 11 [a, b, c, d, e] 12 [a, b, c, d, e] 13 [a, b, c, d, e] 14 [a, b, c, d, e] 1 Setup: data = {0: {0: 'a b c d e', 1: 'a b c d e'}, 1: {0: 1, 1: 1}}df = pd.DataFrame(data)

為了防止您可以使用pytz和其他外部模塊，這是一個更直接的解決方案： pip install pytz tzlocal then : from datetime import datetimefrom pytz import timezoneimport pytzfrom tzlocal import get_localzone#timezoneslocal = get_localzone()utc = pytz.utccet = timezone('CET')#get now time in different zonesprint(datetime.now(local))print(datetime.now(cet))print(datetime.now(utc))#convert local time now to CETprint(datetime.now(local).astimezone(cet))print(datetime.now(cet).astimezone(utc))

要將行作為數(shù)據(jù)幀獲取，您需要使用： csv_row1 = csv.loc[[0]]

TL;DR: 你要找的是.applymap() Details: 您的方法實際上編寫得很好，可以在.apply()as-is中用于pandas.Series對象，但是我假設(shè)如果您遇到問題，這是因為您可能正在針對多個列將其用于pandas.DataFrame。在這種情況下，傳遞給num_repair的參數(shù)實際上是pandas.Series類型，而num_repair并不真正支持該類型。我只能假設(shè)，因為沒有給出使用num_repair的代碼。考慮為問題的完整性添加它。 如果是，您可以按如下方式使用它： df = pd.DataFrame([ ['1M', '1B', '1TR'], ['22M', '22B', '22TR'],], columns=[1990, 1991, 1992])df.applymap(num_repair) output: 1990 1991 19920 1000000 1000000000 10000000000001 22000000 22000000000 22000000000000 Side Note 如果要將其應(yīng)用于除國家/地區(qū)以外的所有列，因為名稱可能包含B/TR/M-可以執(zhí)行以下操作： df = pd.DataFrame([ ['countryM', '1M', '1B', '1TR'], ['countryB', '22M', '22B',

您可以創(chuàng)建由LSIT填充的新列，然后在GroupBy.agg中聚合列表： df['new'] = df[['movieId','rating']].to_numpy().tolist()df1 = df.groupby('userId')['new'].agg(list).reset_index(name='moviesandratings') 或使用GroupBy.apply： df1 = (df.groupby('userId')[['movieId','rating']] .apply(lambda x: x.to_numpy().tolist()) .reset_index(name='moviesandratings'))