Pandas新列替换仅在新列中显示特定模式值

Pandas是一个流行的Python数据处理库，可以用于数据清洗、转换、分析和可视化。在Pandas中，要将新列替换为特定模式值，可以使用以下方法：

创建一个新列，并使用Pandas的replace方法将特定模式值替换为期望的值。replace方法可以接受一个字典，将要替换的模式值作为键，替换后的值作为对应的值。例如：

import pandas as pd

# 创建一个包含特定模式值的DataFrame
df = pd.DataFrame({'col1': ['A', 'B', 'C', 'D', 'E'], 'col2': ['F', 'G', 'H', 'I', 'J']})

# 使用replace方法将特定模式值替换为新值
df['new_col'] = df['col1'].replace({'A': 'Value1', 'B': 'Value2'})

print(df)

输出结果：

  col1 col2  new_col
0    A    F   Value1
1    B    G   Value2
2    C    H        C
3    D    I        D
4    E    J        E

在这个例子中，我们创建了一个包含列col1和col2的DataFrame，并使用replace方法将'A'替换为'Value1'，'B'替换为'Value2'。新列new_col将显示替换后的值。

如果只是想将特定模式值替换为新列中的特定值，可以使用Pandas的where方法。where方法接受一个条件和替换值，如果满足条件，则返回替换值，否则返回原始值。例如：

import pandas as pd

# 创建一个包含特定模式值的DataFrame
df = pd.DataFrame({'col1': ['A', 'B', 'C', 'D', 'E'], 'col2': ['F', 'G', 'H', 'I', 'J']})

# 使用where方法将特定模式值替换为新列中的特定值
df['new_col'] = df['col1'].where(df['col1'] != 'A', 'Value1').where(df['col1'] != 'B', 'Value2')

print(df)

输出结果：

  col1 col2 new_col
0    A    F  Value1
1    B    G  Value2
2    C    H       C
3    D    I       D
4    E    J       E

在这个例子中，我们使用了两次where方法，分别将'A'替换为'Value1'，将'B'替换为'Value2'，其余值保持不变。

这是关于Pandas新列替换仅在新列中显示特定模式值的示例。Pandas提供了很多灵活的方法来进行数据处理和转换，可以根据实际需求选择合适的方法。如果你想深入了解Pandas的更多功能和用法，可以参考腾讯云的相关产品介绍链接：Pandas介绍。

作者：ROGER HUANG 本文翻译自：http://code-love.com/2017/04/30/excel-sql-python/ 来源：https://www.jianshu.com/p/51bb7726231b 本教程的代码和数据可在 Github 资源库中找到。有关如何使用 Github 的更多信息，请参阅本指南。数据从业者有许多工具可用于分割数据。有些人使用 Excel，有些人使用SQL，有些人使用Python。对于某些任务，使用 Python 的优点是显而易见的。以更快的速度处理更大

【新智元导读】受欢迎的机器学习项目很多，它们受欢迎的程度体现在在 GitHub 上获得的星数（Star）。新智元不久前介绍了 GitHub 上星数最多的16个深度学习应用项目，本文作者发掘了几个数据科学和机器学习被人错过的好项目。即使你不需要使用这些特定的工具，但检查它们的实现细节或项目的代码，可能带给你一些新的启发。 Hyperopt-sklearn Star：219 GitHub地址：https://github.com/hyperopt/hyperopt-sklearn Hyperopt-sklear

Pandas 学习手册中文第二版：1~5

欢迎来到《Pandas 学习手册》！在本书中，我们将进行一次探索我们学习 Pandas 的旅程，这是一种用于 Python 编程语言的开源数据分析库。 pandas 库提供了使用 Python 构建的高性能且易于使用的数据结构和分析工具。 pandas 从统计编程语言 R 中带给 Python 许多好处，特别是数据帧对象和 R 包（例如plyr和reshape2），并将它们放置在一个可在内部使用的 Python 库中。

资源 | 简单快捷的数据处理，数据科学需要注意的命令行

作者：Kade Killary 机器之心编译参与：Nurhachu Null、思源对很多数据科学家而言，他们的数据操作经常需要使用 Pandas 或者 Tidyverse。理论上，这个说法没有任何错误，毕竟这就是这些工具存在的原因。然而，对于分隔符转换这样的简单任务而言，这些工具往往是大材小用，我们可以直接使用命令行快速处理。命令行应该是每个开发者都希望掌握的，尤其是数据科学家。熟悉终端的来龙去脉可以毫无疑问地可以让我们变得更加有效率，因此命令行还是计算机技术中的一个很棒的历史课。例如，awk 这个

上一篇文章一场pandas与SQL的巅峰大战中，我们对比了pandas与SQL常见的一些操作，我们的例子虽然是以MySQL为基础的，但换作其他的数据库软件，也一样适用。工作中除了MySQL，也经常会使用Hive SQL，相比之下，后者有更为强大和丰富的函数。本文将延续上一篇文章的风格和思路，继续对比Pandas与SQL，一方面是对上文的补充，另一方面也继续深入学习一下两种工具。方便起见，本文采用hive环境运行SQL，使用jupyter lab运行pandas。关于hive的安装和配置，我在之前的文章MacOS 下hive的安装与配置提到过，不过仅限于mac版本，供参考，如果你觉得比较困难，可以考虑使用postgreSQL，它比MySQL支持更多的函数(不过代码可能需要进行一定的改动)。而jupyter lab和jupyter notebook功能相同，界面相似，完全可以用notebook代替，我在Jupyter notebook使用技巧大全一文的最后有提到过二者的差别，感兴趣可以点击蓝字阅读。希望本文可以帮助各位读者在工作中进行pandas和Hive SQL的快速转换。本文涉及的部分hive 函数我在之前也有总结过，可以参考常用Hive函数的学习和总结。

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

Pandas新列替换仅在新列中显示特定模式值

社区

活动

资源

关于

腾讯云开发者

热门产品

热门推荐

更多推荐