[Numpy] np.select

最新推荐文章于 2025-03-19 14:55:19 发布
最新推荐文章于 2025-03-19 14:55:19 发布
阅读量1.4k 收藏 4
点赞数 3
分类专栏： Numpy 文章标签： numpy python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Hudas/article/details/126034950
版权
 美图欣赏2022/07/28

np.select(condlist, choicelist, default=0) 

condlist：条件列表，元素是布尔型数组

choicelist：列表，数组元素

default：当所有条件都不满足时，用default值(默认值)填上

注意: condlist, choicelist的长度必须一致，每一个条件都要进行一次元素选择或者操作 

import pandas as pd
import numpy as np
 
df = pd.DataFrame(data={'语文':[50,90,70,78,60],
                        '数学':[59,80,60,75,69],
                        '英语':[61,95,65,80,59]},
                  index=['Harry','Andy','Rita','Lee','Jack'])
# 多条件判断,有多个条件可以使用np.select
conditions = [(df['语文']>=60)&(df['数学']>=60)&(df['英语']>=60),
              (df['语文']<60)&(df['数学']>=60)&(df['英语']>=60),
              (df['语文']>=60)&(df['数学']<60)&(df['英语']>=60),
              (df['语文']>=60)&(df['数学']>=60)&(df['英语']<60),
              (df['语文']>=60)&(df['数学']<60)&(df['英语']<60),
              (df['语文']<60)&(df['数学']>=60)&(df['英语']<60),
              (df['语文']<60)&(df['数学']<60)&(df['英语']>=60),
              (df['语文']<60)&(df['数学']<60)&(df['英语']<60)]
results = ['合格','不合格','不合格','不合格','不合格','不合格','不合格','不合格']
# 生成'评级'字段
df['评级'] = np.select(conditions,results,default='不合格')

df

利用np.select对excel 每一行数据的某几列(多列)进行条件筛选并生成新一列数据的方法
小白的编码屋
03-11 2133
还是最近的那个项目，最后收尾阶段遇到这样一个问题： 根据表格每一行某几列的数据进行条件筛选后并生成新的一列数据。 像下面这个示例一样????： 需要根据每一行的“ 生日”，“地址”，“保险”是否有值来生成新的一列字段，比如叫“完整度”字段。 就拿王佳来说，因为他的 “保险”字段是空值，但是“地址”和“生日”有对应的值。那么最后新字段 “完整度”这里就要填入 “比较完整” 四个字。同理，李明的“完整度” 就应该是“很完整”；胡曦就是“不完整”；最后章杰就是“很完整”。 看起来是个比较简单的多列条件筛选问题，
numpy np.select()
A_pinkpig的博客
04-09 3261
np.select(condlist, choicelist, default=0) condlist：条件列表，元素是bool数组 choicelist：列表，数组元素 default：当所有条件都不满足时，用default值填上。 condlist, choicelist的长度必须一致，每一个条件都要进行一次元素选择或者操作。 举例： arr = np.arange(9).reshape(3,...
python条件函数: np.where 和 np.select
diwangdie327的博客
03-19 531
python 多条件选择：根据多个布尔数组选择数据, 根据不同条件将数据选择不同的类别
【Tensorflow】numpy np.select()
devil_son1234的博客
06-03 256
np.select(condlist, choicelist, default=0) condlist：条件列表，元素是bool数组 choicelist：列表，数组元素 default：当所有条件都不满足时，用default值填上。 condlist, choicelist的长度必须一致，每一个条件都要进行一次元素选择或者操作。 举例： ...
np.selsect是什么
m0_57236802的博客
10-31 461
np.select是 NumPy 库中的一个函数，用于根据多个条件选择不同的结果。它非常适合在数据分析和科学计算中使用，能够在满足多个条件时返回对应的值（选择结果），而无需进行多层次的条件判断逻辑。np.select。
numpy.select函数
qq_61598325的博客
06-04 498
在上面的例子中，我们定义了两个条件 `condlist[0]` 和 `condlist[1]`，每个条件对应一个备选数组 `choicelist[0]` 和 `choicelist[1]`。最后，通过将条件列表和备选数组列表传递给 `numpy.select()` 函数，我们可以从多个备选数组中根据条件选择元素，并组合成新的一维数组。需要注意的是，`numpy.select()` 函数只能处理一维数组，如果要处理多维数组，则需要使用 `numpy.where()` 函数。# 使用条件和备选数组构造新数组。
NumPy库学习之np.where函数
qq_46396470的博客
07-30 792
np.where是 NumPy 库中的一个函数，它与 Python 内置的where关键字不同。np.where函数用于找出满足条件的元素的位置，并且可以执行条件选择，类似于或者。
Python astype(np.float)函数使用方法解析
09-16
在这个例子中，我们关注的是将数据转换为`np.float`，即Numpy中的浮点数类型。这个功能在处理从数据库获取的数据时尤其有用，因为原始数据可能包含多种类型，而我们需要统一它们以便进行数值计算。 首先，让我们...
Python 关于np.nan和None的区别和导入数据库的注意事项
Hello world!
06-07 3550
工作中遇到这样的场景： 把数据从生产环境以csv导出来后，要手工导入测试环境的mysql数据库。直接在mysql里导数的话，如果数据量大会非常慢，而且不稳定。写一个python脚本自动导数是最方便的，但要满足几个需求： 1.csv格式导出来的数据，数据库里如果是空值会变成N。但在mysql里我希望它还是空值null； 2.导入mysql的数据，希望能保留两位小数。 1和2要结合起来看，其实就是替换'N‘的同时做一些数据处理，需要注意的是python里数据类型的问题。 思路是：1.先把N变为np.n
numpy高级函数操作之——select、choose
热门推荐
MIss-Y的博客
09-14 2万+
一、什么是np.select() 顾名思义，这个函数用用来“ 根据某一些条件 ” 来筛选出 “某一些元素 ”的函数，比如我有一个数组，我如果用if-else语句去做，当然也可以，比如我们让小于6的元素各自加上10，大于等于6的元素统统变为100，我们可以这么做，代码如下： a=np.array([1,2,3,4,5,6,7,8,9,10]) aaa=[] #存储筛选结果的列表 fo...
python中select用法_Python numpy.select() 使用实例
weixin_39833763的博客
12-09 1022
The following are code examples for showing how to use . They are extracted from open source Python projects. You can vote up the examples you like or vote down the exmaples you don’t like. You can al...
numpy笔记：.select()默认值的类型
htuhxf的博客
02-12 1397
numpy.select(condlist, choicelist, default=0)链接， 当DataFame新生成字段时，choicelist如下3种会使得default的“0”的type分别为str和int： 一、当select函数里choicelist是指定string value时，type为str： f['new'] = numpy.select([mask], ['value'], default=0) 二、当select函数里choicelist是df.series时，type为数
Python pandas.DataFrame.select_dtypes函数方法的使用
weixin_42098295的博客
07-28 470
Pandas是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。Pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。本文主要介绍一下Pandas中pandas.DataFrame.select_dtypes方法的使用。 原文地址：Python pandas.DataFrame.select_dtypes函数方法的使用 .
python中的select()以及choose()的用法
weixin_43213268的博客
03-31 1万+
转自 一、什么是np.select() 顾名思义，这个函数用用来“ 根据某一些条件 ” 来筛选出 “某一些元素 ”的函数，比如我有一个数组，我如果用if-else语句去做，当然也可以，比如我们让小于6的元素各自加上10，大于等于6的元素统统变为100，我们可以这么做，代码如下： a=np.array([1,2,3,4,5,6,7,8,9,10]) aa=[] for i in a: if ...
pandas使用select_dtypes函数筛选dataframe中的所有数值数据列（all numeric columns of a dataframe）
data+scenario+science+insight
06-08 590
pandas使用select_dtypes函数筛选dataframe中的所有数值数据列（all numeric columns of a dataframe）
np.select()、np.piecewise()对多条件逻辑判断的向量化计算的支持
得道者
06-17 4457
当python程序里出现大量的条件判断时，要如何做到让程序运行的速度最快？ 这是一直以来都遇到的问题，python的for if else结构速度很慢，特别是[for 里 if 嵌套if] 、[for if 并列 elif]的方法， 暂时写的算法里用的是： 1、np.where()、df.where、df.map替代一部分条件逻辑 2、把条件逻辑判断写到def()里，再apply或者是li...
关于np.select()的传入条件参数
qq_19653921的博客
10-29 202
int64的数据是 python原生整数类型，不支持表示nan，做条件之后的的类型是bool；Int64是pandas的数据类型，支持表示nan，做条件之后的的类型是boolean。但是np.select()是属于np的函数，它的条件参数只支持python原生数据类型的bool。可是当运行np.select()筛选却报错，说传入条件不符合要求，我仔细检查了我的代码并没有问题啊。最后我查了一些资料，发现amount的数据类型是Int64,把它改成int64就能运行了。1.直接修改定义数据的代码的数据类型。
numpy并列条件的选取，如两个条件同时满足或满足其中的一个条件
weixin_44274975的博客
05-21 1万+
import numpy as np # 1. 读取 CSV 文件数据 data = np.loadtxt('iris_exp.csv', delimiter=',', skiprows=1) # 2. 计算统计指标 max_length = np.max(data) min_length = np.min(data) mean_length = np.mean(data) std_length = np.std(data) var_length = np.var(data) # 3. 打印统计结果 print(f"花萼长度统计结果：") print(f"最大值：{max_length:.2f}") print(f"最小值：{min_length:.2f}") print(f"均值：{mean_length:.2f}") print(f"标准差：{std_length:.2f}") print(f"方差：{var_length:.2f}")
最新发布
04-02
### 使用 NumPy 对 CSV 文件进行数据分析及计算统计指标 #### 加载 CSV 数据 可以利用 `numpy.genfromtxt` 或者 `numpy.loadtxt` 函数来加载 CSV 文件中的数据。这些函数支持指定分隔符、跳过头部行等功能，非常适合用于结构化数据的导入。 以下是使用 `numpy.genfromtxt` 的示例代码： ```python import numpy as np # 假设有一个名为 'data.csv' 的文件，其中包含逗号分隔的数据 data = np.genfromtxt('data.csv', delimiter=',', skip_header=1, dtype=None, encoding='utf-8') print(data) ``` 上述代码中，`delimiter` 参数指定了字段之间的分隔符，`skip_header` 跳过了文件的第一行（通常是表头），而 `dtype=None` 表明自动推断每列的数据类型[^1]。 --- #### 计算基本统计指标 一旦数据被成功加载到内存中，就可以使用 NumPy 提供的各种内置方法来进行统计分析。例如： ##### 1. **最大值和最小值** 可以通过 `np.max()` 和 `np.min()` 来分别求解数组中的最大值和最小值。 ```python high_column = data[:, 4].astype(float) # 假设第5列为高价格列 low_column = data[:, 5].astype(float) # 假设第6列为低价格列 highest_value = np.max(high_column) lowest_value = np.min(low_column) print(f"Highest Value: {highest_value}") print(f"Lowest Value: {lowest_value}") ``` ##### 2. **均值与标准差** 对于数值型数据，可以用 `np.mean()` 和 `np.std()` 分别计算平均值和标准差。 ```python closing_prices = data[:, 6].astype(float) # 假设第7列为收盘价列 mean_closing_price = np.mean(closing_prices) std_deviation = np.std(closing_prices) print(f"Mean Closing Price: {mean_closing_price}") print(f"Standard Deviation of Prices: {std_deviation}") ``` ##### 3. **中位数与方差** 同样地，也可以用 `np.median()` 和 `np.var()` 来获得中位数和方差。 ```python median_closing_price = np.median(closing_prices) variance_of_prices = np.var(closing_prices) print(f"Median Closing Price: {median_closing_price}") print(f"Variance of Prices: {variance_of_prices}") ``` --- #### 处理特定数据类型的子集 如果只需要处理某种特定数据类型的列，则可结合 Pandas 中的 `select_dtypes` 方法先筛选出目标列再转为 NumPy 数组继续操作。不过，在纯 NumPy 场景下可以直接通过布尔索引来完成类似任务。 ```python filtered_data = data[data.dtype.names.index('specific_column_name')] numeric_columns_only = filtered_data.astype(float) max_numeric_val = np.max(numeric_columns_only) min_numeric_val = np.min(numeric_columns_only) print(f"Max Numeric Column Value: {max_numeric_val}") print(f"Min Numeric Column Value: {min_numeric_val}") ``` 这里假设原始数据已经包含了混合类型的信息，并且我们只关心那些能够转换成浮点数的部分[^4]。 --- #### 绘制热力图 (Optional) 当涉及到多维关系展示时，可能还会需要用到可视化手段辅助理解数据间联系。下面给出一段创建简单热度矩阵的例子作为补充说明： ```python pivot_table = np.reshape(filtered_data[:9],(3,3)) plt.figure(figsize=(8,6)) sns.heatmap(pivot_table,cmap="YlGnBu",annot=True) plt.title("Sample Heatmap from Reshaped Data") plt.show() ``` 注意这里的 reshape 是为了演示目的随机选取前九条记录并重组成了一个三乘三方阵形式；实际应用当中应当依据具体业务逻辑合理设计聚合维度[^3]. 综上所述，以上便是关于如何运用 Numpy 实现从 csv 文件读取直至执行基础描述性统计全过程的一个概览介绍[^2]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值