目录
186、pandas.Series.is_monotonic_increasing属性
187、pandas.Series.is_monotonic_decreasing属性
188、pandas.Series.value_counts方法
一、用法精讲
186、pandas.Series.is_monotonic_increasing属性
186-1、语法
# 186、pandas.Series.is_monotonic_increasing属性
property pandas.Series.is_monotonic_increasing
Return boolean if values in the object are monotonically increasing.
Returns:
bool186-2、参数
无
186-3、功能
用于判断系列中的值是否按非递减顺序排列。
186-4、返回值
返回一个布尔值，如果系列中的值是单调递增的(即每个值都大于或等于前一个值)，返回True；如果系列中的值不是单调递增的，返回False。
186-5、说明
在数据分析过程中，该属性可以用来快速检查数据的趋势，例如时间序列数据是否按时间递增、价格数据是否持续上升等。
186-6、用法
186-6-1、数据准备
无186-6-2、代码示例
# 186、pandas.Series.is_monotonic_increasing属性
import pandas as pd
# 创建一个单调递增的系列
data_increasing = pd.Series([1, 2, 3, 4, 5])
# 判断系列中的值是否单调递增
is_monotonic_increasing = data_increasing.is_monotonic_increasing
print(f"系列值是否单调递增: {is_monotonic_increasing}")
# 创建一个非单调递增的系列
data_not_increasing = pd.Series([1, 3, 2, 4, 5])
# 判断系列中的值是否单调递增
is_monotonic_increasing = data_not_increasing.is_monotonic_increasing
print(f"系列值是否单调递增: {is_monotonic_increasing}") 186-6-3、结果输出
# 186、pandas.Series.is_monotonic_increasing属性
# 系列值是否单调递增: True
# 系列值是否单调递增: False187、pandas.Series.is_monotonic_decreasing属性
187-1、语法
# 187、pandas.Series.is_monotonic_decreasing属性
property pandas.Series.is_monotonic_decreasing
Return boolean if values in the object are monotonically decreasing.
Returns:
bool187-2、参数
无
187-3、功能
用于判断系列中的值是否按递减顺序排列。
187-4、返回值
返回一个布尔值，如果系列中的值是单调递减的(即每个值都小于或等于前一个值)，返回True；如果系列中的值不是单调递减的，返回False。
187-5、说明
在数据分析过程中，该属性可以用来快速检查数据的趋势，例如库存数据是否持续减少、销售数据是否下降等。
187-6、用法
187-6-1、数据准备
无187-6-2、代码示例
# 187、pandas.Series.is_monotonic_decreasing属性
import pandas as pd
# 创建一个单调递减的系列
data_decreasing = pd.Series([5, 4, 3, 2, 1])
# 判断系列中的值是否单调递减
is_monotonic_decreasing = data_decreasing.is_monotonic_decreasing
print(f"系列值是否单调递减: {is_monotonic_decreasing}")
# 创建一个非单调递减的系列
data_not_decreasing = pd.Series([5, 3, 4, 2, 1])
# 判断系列中的值是否单调递减
is_monotonic_decreasing = data_not_decreasing.is_monotonic_decreasing
print(f"系列值是否单调递减: {is_monotonic_decreasing}")
187-6-3、结果输出
# 187、pandas.Series.is_monotonic_decreasing属性
# 系列值是否单调递减: True
# 系列值是否单调递减: False188、pandas.Series.value_counts方法
188-1、语法
# 188、pandas.Series.value_counts方法
pandas.Series.value_counts(normalize=False, sort=True, ascending=False, bins=None, dropna=True)
Return a Series containing counts of unique values.
The resulting object will be in descending order so that the first element is the most frequently-occurring element. Excludes NA values by default.
Parameters:
normalize
bool, default False
If True then the object returned will contain the relative frequencies of the unique values.
sort
bool, default True
Sort by frequencies when True. Preserve the order of the data when False.
ascending
bool, default False
Sort in ascending order.
bins
int, optional
Rather than count values, group them into half-open bins, a convenience for pd.cut, only works with numeric data.
dropna
bool, default True
Don’t include counts of NaN.
Returns:
Series188-2、参数
188-2-1、normalize(可选，默认值为False)：如果设置为True，返回每个唯一值的相对频率；否则返回绝对值的计数。
188-2-2、sort(可选，默认值为True)：如果设置为True，结果按计数值排序；如果设置为False，则按唯一值本身排序。
188-2-3、ascending(可选，默认值为False)：如果设置为True，结果按升序排序；如果设置为False(默认值)，则按降序排序。
188-2-4、bins(可选，默认值为None)：如果设置为整数，则会将数据分成相应数量的区间，并返回每个区间的计数。
188-2-5、dropna(可选，默认值为True)：如果设置为True(默认值)，则不计算NaN值；如果设置为False，则包括NaN值的计数。
188-3、功能
188-3-1、计数每个唯一值的出现次数：默认情况下，返回每个唯一值的绝对频率。
188-3-2、排序：默认按计数值降序排列，但可以通过参数设置为升序或按唯一值本身排序。
188-3-3、相对频率：通过设置normalize=True，可以返回每个唯一值的相对频率(比例)。
188-3-4、分箱：通过设置bins参数，可以将数据分成若干区间，并返回每个区间的计数。
188-3-5、处理缺失值：默认情况下，NaN值不包括在计数中，但可以通过设置dropna=False包括NaN值的计数。
188-4、返回值
返回一个pandas.Series对象，索引是原始Series中的唯一值(或区间)，值是每个唯一值(或区间)的计数。
188-5、说明
使用场景：
188-5-1、探索性数据分析(EDA)：在数据分析的初始阶段，使用value_counts()可以快速了解数据的分布情况。例如，分析客户年龄分布、产品销售量分布等。
188-5-2、数据清洗：在处理缺失值和重复值时，可以使用value_counts()找出异常值或频次较低的值，从而帮助清洗数据。
188-5-3、分类数据分析：对于分类变量(如性别、地区、职业等)，可以使用value_counts()计算每个类别的频次，以便进一步的统计分析或可视化。
188-5-4、数据验证：在数据验证过程中，使用value_counts()可以检查数据是否符合预期分布，例如检查试验组和对照组的样本量是否均衡。
188-5-5、异常检测：通过value_counts()计算频次，识别出频次异常的值，有助于发现数据中的潜在问题或异常情况。
188-5-6、特征工程：在特征工程中，可以使用value_counts()生成新的特征，例如，计算某个特征的出现次数，并将其作为新的特征添加到数据集中。
188-5-7、文本数据分析：在自然语言处理任务中，可以使用value_counts()统计词频，分析文本数据的关键词或常用词。
188-5-8、时间序列分析：对于时间序列数据，可以使用value_counts()统计不同时间段内事件的发生频次，例如统计每月的销售订单数量。
188-5-9、用户行为分析：在用户行为分析中，使用value_counts()可以统计用户的操作频次，例如统计用户登录、点击、购买等行为的次数。
188-6、用法
188-6-1、数据准备
无188-6-2、代码示例
# 188、pandas.Series.value_counts方法
# 188-1、基本用法
import pandas as pd
data = pd.Series([1, 2, 2, 3, 3, 3, 4, 4, 4, 4])
counts = data.value_counts()
print(counts, end='\n\n')
# 188-2、返回相对频率
import pandas as pd
data = pd.Series([1, 2, 2, 3, 3, 3, 4, 4, 4, 4])
counts_normalized = data.value_counts(normalize=True)
print(counts_normalized, end='\n\n')
# 188-3、按升序排列
import pandas as pd
data = pd.Series([1, 2, 2, 3, 3, 3, 4, 4, 4, 4])
counts_ascending = data.value_counts(ascending=True)
print(counts_ascending, end='\n\n')
# 188-4、分箱计数
import pandas as pd
data = pd.Series([1, 2, 2, 3, 3, 3, 4, 4, 4, 4])
counts_bins = data.value_counts(bins=3)
print(counts_bins, end='\n\n')
# 188-5、包括NaN值的计数
import pandas as pd
data_with_nan = pd.Series([1, 2, 2, 3, 3, 3, 4, 4, 4, 4, None])
counts_with_nan = data_with_nan.value_counts(dropna=False)
print(counts_with_nan)188-6-3、结果输出
# 188、pandas.Series.value_counts方法
# 188-1、基本用法
# 4 4
# 3 3
# 2 2
# 1 1
# Name: count, dtype: int64
# 188-2、返回相对频率
# 4 0.4
# 3 0.3
# 2 0.2
# 1 0.1
# Name: proportion, dtype: float64
# 188-3、按升序排列
# 1 1
# 2 2
# 3 3
# 4 4
# Name: count, dtype: int64
# 188-4、分箱计数
# (3.0, 4.0] 4
# (0.996, 2.0] 3
# (2.0, 3.0] 3
# Name: count, dtype: int64
# 188-5、包括NaN值的计数
# 4.0 4
# 3.0 3
# 2.0 2
# 1.0 1
# NaN 1
# Name: count, dtype: int64189、pandas.Series.align方法
189-1、语法
# 189、pandas.Series.align方法
pandas.Series.align(other, join='outer', axis=None, level=None, copy=None, fill_value=None, method=_NoDefault.no_default, limit=_NoDefault.no_default, fill_axis=_NoDefault.no_default, broadcast_axis=_NoDefault.no_default)
Align two objects on their axes with the specified join method.
Join method is specified for each axis Index.
Parameters:
otherDataFrame or Series
join{‘outer’, ‘inner’, ‘left’, ‘right’}, default ‘outer’
Type of alignment to be performed.
left: use only keys from left frame, preserve key order.
right: use only keys from right frame, preserve key order.
outer: use union of keys from both frames, sort keys lexicographically.
inner: use intersection of keys from both frames, preserve the order of the left keys.
axisallowed axis of the other object, default None
Align on index (0), columns (1), or both (None).
levelint or level name, default None
Broadcast across a level, matching Index values on the passed MultiIndex level.
copybool, default True
Always returns new objects. If copy=False and no reindexing is required then original objects are returned.
Note
The copy keyword will change behavior in pandas 3.0. Copy-on-Write will be enabled by default, which means that all methods with a copy keyword will use a lazy copy mechanism to defer the copy and ignore the copy keyword. The copy keyword will be removed in a future version of pandas.
You can already get the future behavior and improvements through enabling copy on write pd.options.mode.copy_on_write = True
fill_valuescalar, default np.nan
Value to use for missing values. Defaults to NaN, but can be any “compatible” value.
method{‘backfill’, ‘bfill’, ‘pad’, ‘ffill’, None}, default None
Method to use for filling holes in reindexed Series:
pad / ffill: propagate last valid observation forward to next valid.
backfill / bfill: use NEXT valid observation to fill gap.
Deprecated since version 2.1.
limitint, default None
If method is specified, this is the maximum number of consecutive NaN values to forward/backward fill. In other words, if there is a gap with more than this number of consecutive NaNs, it will only be partially filled. If method is not specified, this is the maximum number of entries along the entire axis where NaNs will be filled. Must be greater than 0 if not None.
Deprecated since version 2.1.
fill_axis{0 or ‘index’} for Series, {0 or ‘index’, 1 or ‘columns’} for DataFrame, default 0
Filling axis, method and limit.
Deprecated since version 2.1.
broadcast_axis{0 or ‘index’} for Series, {0 or ‘index’, 1 or ‘columns’} for DataFrame, default None
Broadcast values along this axis, if aligning two objects of different dimensions.
Deprecated since version 2.1.
Returns:
tuple of (Series/DataFrame, type of other)
Aligned objects.189-2、参数
189-2-1、other(必须)：Series或DataFrame，表示需要与调用该方法的对象对齐的另一个对象。
189-2-2、join(可选，默认值为'outer')：{'outer', 'inner', 'left', 'right'}，指定对齐方式。
189-2-2-1、'outer': 返回两个对象的并集，包含所有索引。
189-2-2-2、'inner': 返回两个对象的交集，仅包含共同的索引。
189-2-2-3、'left': 返回左侧对象的所有索引，缺失的右侧对象的索引用NaN填充。
189-2-2-4、'right': 返回右侧对象的所有索引，缺失的左侧对象的索引用NaN填充。
189-2-3、axis(可选，默认值为None)：整数或字符串，仅在DataFrame中有效，指明对齐的轴，0表示行，1表示列。
189-2-4、level(可选，默认值为None)：整数或字符串，如果对象是多层索引，可以使用此参数指定对齐的层次。
189-2-5、copy(可选，默认值为None)：如果为True，则返回的对象会复制；如果为False，则返回的对象可能共享数据；如果为None，则根据数据的情况决定是否复制。
189-2-6、fill_value(可选，默认值为None)：标量值，如果需要填充缺失的值，可以指定一个填充值。
189-2-7、method(可选)：字符串，指定用于填充缺失数据的方法，如'pad'(前向填充)或者'backfill'(后向填充)，如果不提供，默认不填充。
189-2-8、limit(可选)：整数，用于限制填充的最大数量。
189-2-9、fill_axis(可选)：整数或字符串，指定用于填充缺失值的轴，仅在DataFrame中有效。
189-2-10、broadcast_axis(可选)：整数或字符串，指定用于广播操作的轴。
189-3、功能
对齐两个对象，使它们的索引对齐，并允许用户选择如何处理缺失的值。
189-4、返回值
返回一个元组，包含对齐后的两个对象，形如(left, right)：
left是对齐后的左侧对象。right是对齐后的右侧对象。
如果fill_value被指定，而某些索引无法对齐，则缺失的部分将被填充为指定的值。
189-5、说明
使用场景：
189-5-1、数据合并与连接：在处理来自不同数据源的数据时，可能需要将它们合并成一个统一的格式，使用align可以确保所有数据都以相同的索引对齐，从而方便后续处理。
189-5-2、时间序列分析：在时间序列数据中，不同的时间序列可能会有不同的时间索引，使用align方法可以对齐它们，使得每个时间点的值能够方便地进行比较和计算。
189-5-3、数据补齐与填充：当某些数据缺失时，可以使用align方法结合fill_value进行补齐，确保后续分析时不会因为缺失值而出现错误。
189-5-4、计算与比较：在进行计算(如差异计算、比例计算等)时，需要对齐各个数据列的索引，使用align方法可以保证参与计算的数据都是对齐的，从而得到合理的结果。
189-5-5、处理多层索引：对于具有多层索引的Series或DataFrame，可以利用level参数对特定层次进行对齐，便于复杂数据结构的操作。
189-5-6、数据清理：在清理数据时，需要处理不一致的索引，在删减或重塑数据时，使用align可以确保所有列都有相同的索引结构。
189-6、用法
189-6-1、数据准备
无189-6-2、代码示例
# 189、pandas.Series.align方法
# 189-1、合并不同客户的销售数据
import pandas as pd
# 创建两个不同的销售数据 Series
sales_jan = pd.Series([200, 300], index=['Alice', 'Bob'])
sales_feb = pd.Series([150, 400, 250], index=['Alice', 'Charlie', 'Bob'])
# 使用align方法对齐两个Series
aligned_jan, aligned_feb = sales_jan.align(sales_feb, join='outer', fill_value=0)
print("对齐后的1月销售数据：")
print(aligned_jan)
print("\n对齐后的2月销售数据：")
print(aligned_feb)
# 计算每个客户在1月和2月的销售总额
total_sales = aligned_jan + aligned_feb
print("\n客户总销售额：")
print(total_sales, end='\n\n')
# 189-2、时间序列对比
import pandas as pd
# 创建两个时间序列数据Series
temperature = pd.Series([22, 24, 23], index=pd.date_range('2023-01-01', periods=3))
humidity = pd.Series([30, 32], index=pd.date_range('2023-01-01', periods=2))
# 使用align方法对齐两个时间序列
aligned_temp, aligned_hum = temperature.align(humidity, join='inner')
print("对齐后的温度数据：")
print(aligned_temp)
print("\n对齐后的湿度数据：")
print(aligned_hum)
# 计算温度与湿度的关系
correlation = aligned_temp.corr(aligned_hum)
print(f"\n温度与湿度的相关性：{correlation}", end='\n\n')
# 189-3、处理多层索引
import pandas as pd
# 创建多层索引的Series
index = pd.MultiIndex.from_tuples([('A', 1), ('A', 2), ('B', 1), ('B', 2)])
data1 = pd.Series([10, 20, 30, 40], index=index)
index2 = pd.MultiIndex.from_tuples([('A', 1), ('B', 1), ('B', 3)])
data2 = pd.Series([5, 25, 15], index=index2)
# 对齐多层索引的Series
aligned_data1, aligned_data2 = data1.align(data2, join='outer', fill_value=0)
print("对齐后的第一组数据：")
print(aligned_data1)
print("\n对齐后的第二组数据：")
print(aligned_data2)
# 计算对齐后数据的和
sum_data = aligned_data1 + aligned_data2
print("\n对齐后数据的和：")
print(sum_data, end='\n\n')
# 189-4、数据清理与补齐
import pandas as pd
# 创建带有缺失值的Series
data1 = pd.Series([1, 2, None, 4], index=['A', 'B', 'C', 'D'])
data2 = pd.Series([None, 2, 3, None], index=['A', 'B', 'C', 'E'])
# 对齐两个Series，使用fill_value填充缺失值
aligned_data1, aligned_data2 = data1.align(data2, join='outer', fill_value=0)
print("对齐后的数据1：")
print(aligned_data1)
print("\n对齐后的数据2：")
print(aligned_data2)
# 计算补齐后的总和
total = aligned_data1 + aligned_data2
print("\n补齐后的数据总和：")
print(total, end='\n\n')
# 189-5、数据比较
import pandas as pd
# 创建两个带有不同客户的销售数据Series
sales_last_month = pd.Series([300, 500, 200], index=['Alice', 'Bob', 'Charlie'])
sales_this_month = pd.Series([350, 450, 300, 100], index=['Alice', 'Bob', 'David', 'Charlie'])
# 对齐两个Series
aligned_last_month, aligned_this_month = sales_last_month.align(sales_this_month, join='outer', fill_value=0)
print("上个月的销售数据：")
print(aligned_last_month)
print("\n这个月的销售数据：")
print(aligned_this_month)
# 计算销售增长
sales_growth = aligned_this_month - aligned_last_month
print("\n销售增长(这个月 - 上个月)：")
print(sales_growth, end='\n\n')
# 189-6、索引重命名与对齐
import pandas as pd
# 创建两个带有不同索引的Series
data_a = pd.Series([5, 10, 15], index=['x', 'y', 'z'])
data_b = pd.Series([1, 2, 3], index=['y', 'z', 'w'])
# 重命名索引以便于理解
data_a.index = ['Item_A1', 'Item_A2', 'Item_A3']
data_b.index = ['Item_B1', 'Item_B2', 'Item_B3']
# 使用align方法对齐
aligned_a, aligned_b = data_a.align(data_b, join='outer', fill_value=0)
print("对齐后的数据A：")
print(aligned_a)
print("\n对齐后的数据B：")
print(aligned_b)
# 计算A和B的和
total_data = aligned_a + aligned_b
print("\n对齐后数据A和B的和：")
print(total_data, end='\n\n')
# 189-7、填补缺失数据
import pandas as pd
# 创建一个带有缺失值的Series
series_a = pd.Series([1, 2, 3, None], index=['A', 'B', 'C', 'D'])
series_b = pd.Series([None, 2, None, 4, 5], index=['A', 'B', 'C', 'E', 'F'])
# 对齐两个Series，使用fill_value填充缺失值
aligned_a, aligned_b = series_a.align(series_b, join='outer', fill_value=0)
print("对齐后的数据A：")
print(aligned_a)
print("\n对齐后的数据B：")
print(aligned_b)
# 计算合并后的序列总和
filled_data = aligned_a + aligned_b
print("\n填补缺失值后的数据总和：")
print(filled_data, end='\n\n')
# 189-8、在数据科学项目中的应用
import pandas as pd
# 创建Product价格数据和销量数据
prices = pd.Series([100, 150, 200], index=['Product_A', 'Product_B', 'Product_C'])
sales = pd.Series([10, 5, 8, 3], index=['Product_A', 'Product_B', 'Product_D', 'Product_C'])
# 对齐价格和销量数据
aligned_prices, aligned_sales = prices.align(sales, join='outer', fill_value=0)
print("对齐后的价格数据：")
print(aligned_prices)
print("\n对齐后的销量数据：")
print(aligned_sales)
# 计算每个产品的销售收入
revenue = aligned_prices * aligned_sales
print("\n每个产品的销售收入：")
print(revenue, end='\n\n')189-6-3、结果输出
# 189、pandas.Series.align方法
# 189-1、合并不同客户的销售数据
# 对齐后的1月销售数据：
# Alice 200.0
# Bob 300.0
# Charlie 0.0
# dtype: float64
#
# 对齐后的2月销售数据：
# Alice 150
# Bob 250
# Charlie 400
# dtype: int64
#
# 客户总销售额：
# Alice 350.0
# Bob 550.0
# Charlie 400.0
# dtype: float64
# 189-2、时间序列对比
# 对齐后的温度数据：
# 2023-01-01 22
# 2023-01-02 24
# Freq: D, dtype: int64
#
# 对齐后的湿度数据：
# 2023-01-01 30
# 2023-01-02 32
# Freq: D, dtype: int64
#
# 温度与湿度的相关性：0.9999999999999999
# 189-3、处理多层索引
# 对齐后的第一组数据：
# A 1 10.0
# 2 20.0
# B 1 30.0
# 2 40.0
# 3 0.0
# dtype: float64
#
# 对齐后的第二组数据：
# A 1 5.0
# 2 0.0
# B 1 25.0
# 2 0.0
# 3 15.0
# dtype: float64
#
# 对齐后数据的和：
# A 1 15.0
# 2 20.0
# B 1 55.0
# 2 40.0
# 3 15.0
# dtype: float64
# 189-4、数据清理与补齐
# 对齐后的数据1：
# A 1.0
# B 2.0
# C 0.0
# D 4.0
# E 0.0
# dtype: float64
#
# 对齐后的数据2：
# A 0.0
# B 2.0
# C 3.0
# D 0.0
# E 0.0
# dtype: float64
#
# 补齐后的数据总和：
# A 1.0
# B 4.0
# C 3.0
# D 4.0
# E 0.0
# dtype: float64
# 189-5、数据比较
# 上个月的销售数据：
# Alice 300.0
# Bob 500.0
# Charlie 200.0
# David 0.0
# dtype: float64
#
# 这个月的销售数据：
# Alice 350
# Bob 450
# Charlie 100
# David 300
# dtype: int64
#
# 销售增长(这个月 - 上个月)：
# Alice 50.0
# Bob -50.0
# Charlie -100.0
# David 300.0
# dtype: float64
# 189-6、索引重命名与对齐
# 对齐后的数据A：
# Item_A1 5.0
# Item_A2 10.0
# Item_A3 15.0
# Item_B1 0.0
# Item_B2 0.0
# Item_B3 0.0
# dtype: float64
#
# 对齐后的数据B：
# Item_A1 0.0
# Item_A2 0.0
# Item_A3 0.0
# Item_B1 1.0
# Item_B2 2.0
# Item_B3 3.0
# dtype: float64
#
# 对齐后数据A和B的和：
# Item_A1 5.0
# Item_A2 10.0
# Item_A3 15.0
# Item_B1 1.0
# Item_B2 2.0
# Item_B3 3.0
# dtype: float64
# 189-7、填补缺失数据
# 对齐后的数据A：
# A 1.0
# B 2.0
# C 3.0
# D 0.0
# E 0.0
# F 0.0
# dtype: float64
#
# 对齐后的数据B：
# A 0.0
# B 2.0
# C 0.0
# D 0.0
# E 4.0
# F 5.0
# dtype: float64
#
# 填补缺失值后的数据总和：
# A 1.0
# B 4.0
# C 3.0
# D 0.0
# E 4.0
# F 5.0
# dtype: float64
# 189-8、在数据科学项目中的应用
# 对齐后的价格数据：
# Product_A 100.0
# Product_B 150.0
# Product_C 200.0
# Product_D 0.0
# dtype: float64
#
# 对齐后的销量数据：
# Product_A 10
# Product_B 5
# Product_C 3
# Product_D 8
# dtype: int64
#
# 每个产品的销售收入：
# Product_A 1000.0
# Product_B 750.0
# Product_C 600.0
# Product_D 0.0
# dtype: float64190、pandas.Series.case_when方法
190-1、语法
# 190、pandas.Series.case_when方法
pandas.Series.case_when(caselist)
Replace values where the conditions are True.
Parameters:
caselistA list of tuples of conditions and expected replacements
Takes the form: (condition0, replacement0), (condition1, replacement1), … . condition should be a 1-D boolean array-like object or a callable. If condition is a callable, it is computed on the Series and should return a boolean Series or array. The callable must not change the input Series (though pandas doesn`t check it). replacement should be a 1-D array-like object, a scalar or a callable. If replacement is a callable, it is computed on the Series and should return a scalar or Series. The callable must not change the input Series (though pandas doesn`t check it).
New in version 2.2.0.
Returns:
Series190-2、参数
190-2-1、caselist(必须)：一个包含条件和值的列表，每个元素都是一个元组(condition, value)，其中，condition是一个返回布尔值的表达式或函数，用于判断条件是否满足；value是当条件满足时返回的值。
190-3、功能
根据一系列条件来设置Series中每个元素的值，并返回一个新的Series。
190-4、返回值
返回一个新的Series对象。
190-5、说明
无
190-6、用法
190-6-1、数据准备
无190-6-2、代码示例
# 190、pandas.Series.case_when方法
import pandas as pd
c = pd.Series([6, 7, 8, 9], name='c')
a = pd.Series([0, 0, 1, 2])
b = pd.Series([0, 3, 4, 5])
c.case_when(caselist=[(a.gt(0), a), (b.gt(0), b)])
print(c)190-6-3、结果输出
# 190、pandas.Series.case_when方法
# 0 6
# 1 7
# 2 8
# 3 9
# Name: c, dtype: int64
扫一扫
2543
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
