大更新，pandas终于有case_when方法了！
大更新，pandas终于有case_when方法了！
大家好，我是东哥。
数分小伙伴们都知道，SQL中的case when语句非常好用，尤其在加工变量的时候，可以按照指定的条件的进行赋值，并且结合其他嵌套用法还可以实现非常强大的功能。
同样作为数据分析常用工具之一，pandas中却没有像case when这样的语句，一直以来收到很多朋友吐槽，这样一个常用的功能竟然没有？一般通过使用np.where,where,mask,map,apply,loc等其他方式来实现case when的效果。
好消息是，最近pandas2.2.0稳定版本发布了，其中一个新功能就是增加了case_when方法，可以说这个一直被大家诟病的方法终于补齐了！
一、环境
首先，pandas2.2.0的版本有个安装的前提条件，就是python的版本需要在3.9及以上才行，因此如果使用anaconda的朋友，可以通过conda install python=3.12.1命令先进行python版本升级，完成后再敲入python --version检验版本是否安装成功。
import pandas as pd
首次执行pandas包导入后会有一个警告提示，提示你pandas 3.0版本需要Pyarrow但是你目前没有，忽略即可。
二、case_when用法
东哥了解了一下case_when用法，总结了以下几点要点。
对象：case_when属于series对象的方法，dataframe对象无法使用。
功能：如果判断条件为真(True)则替换数据，反之保持原值不变。有点类似于升级版的where/mask。
参数：只有一个参数caselist，是一个元组构成的列表，元组内包含判断条件和想要替换的值。具体形式如下：
caselist = [
(condition1,replacement1),
(condition2,replacement2),
...]
- condition（判断条件）：可以是一维布尔类型的数组或者是可调用的对象（比如函数）。如果是可调用对象，那么应用在series上计算然后返回一个布尔类型的数组或者series。另外，可调用对象不得更改输入series数据。
- replacement（替换值）：可以是一维数组类对象、标量或者可调用对象。如果是可调用对象，那么应用在series上计算然后返回标量或series。同样的，可调用对象不得更改输入series数据。
对于condition和replacement的要求可以看出，case_when的用法非常的灵活。
举例
下面创建一组数据说明，是不同学生的三科考试成绩。
案例1
我们想对所有的学生成绩的总分划分不同的等级。
import pandas as pd
df = pd.DataFrame(
dict(enligsh= [70, 90, 80, 85, 65, 92],
math = [90, 84, 69, 73, 98, 83],
physic = [84, 58, 74, 93, 87, 86]
))
df
首先，对三科考试求和生成总分数新列。
df['score_all'] = df.sum(axis=1)
对加工的总成绩列使用case_when方法，生成1-5的排序等级。
df['rank_level'] = df.score_all.case_when(
caselist=[
((df.score_all > 220)&(df.score_all <=230), '5'),
((df.score_all > 230)&(df.score_all <=240), '4'),
((df.score_all > 240)&(df.score_all <=250), '3'),
((df.score_all > 250)&(df.score_all <=260), '2'),
((df.score_all > 260)&(df.score_all <=270), '1'),
]
)
案例2
再比如，我们想针对不同英语成绩的同学，在其总成绩上阶梯式的增加分数。
df['score_all_new'] = df.score_all.case_when(
caselist=[
((df.english <= 70), lambda x:x+5),
((df.english > 70)&(df.english <= 80), lambda x:x+3),
((df.english > 80)&(df.english <= 90), lambda x:x+2),
((df.english > 90), lambda x:x+1),
]
)
注意，以上代码中有两点不同的地方：
- 判断条件：判断条件的布尔值数组不是基于输入series产生的，而是由series所在的dataframe中其他同维度的series加工获取。这里输入series是score_all，判断条件用的是english。
- 替换值：替换值使用了lambda隐函数对输入series计算。
这就是case_when非常灵活的原因，判断条件和替换值既可以是固定的值，也可以是自定义的函数，根据自己的需求随意设置。
案例3
case_when只实现区域内的变量加工，其输出结果也可以与其他函数方法结合，产生更多强大的功能。
比如，可以将以上全部变量加工过程通过链式的方式更优雅的实现，结合assign的使用一行代码可完成全部。
# 链式
(
df.assign(score_all = lambda x: x.sum(axis=1))
.assign(rank_level = lambda x: x.score_all.case_when(
caselist=[
((x.score_all > 220)&(x.score_all <=230), '5'),
((x.score_all > 230)&(x.score_all <=240), '4'),
((x.score_all > 240)&(x.score_all <=250), '3'),
((x.score_all > 250)&(x.score_all <=260), '2'),
((x.score_all > 260)&(x.score_all <=270), '1')]))
.assign(score_all_new = lambda x: x.score_all.case_when(
caselist=[
((df.english <= 70), lambda x:x+5),
((df.english > 70)&(df.english <= 80), lambda x:x+3),
((df.english > 80)&(df.english <= 90), lambda x:x+2),
((df.english > 90), lambda x:x+1)]))
)腾讯云开发者
