0

我有以下数据，我想要的是仅当满足以下条件时，才用 col D 中另一行（我们称之为目标行）的值填充 col E：

  • col E 没有价值
  • 目标行 col A 中的字符串与 col A 中的字符串相同
  • 目标行的 col B 中的值与 col C 中的值相同
一个 乙 C D 乙
1 XXZ 一个 d 1
2 YXXZ b 一个 2
3 YXXZ C b 3 2
4 YXXZ d C 4 5
5 XXZ e 一个 4

我会得到这样的东西：

一个 乙 C D 乙
XXZ 一个 d 1 1
YXXZ b 一个 2 2
YXXZ C b 3 2
YXXZ d C 4 5
XXZ e 一个 4 钠

下面@ralubrusto 的答案有效，但对于大文件显然效率不高。有什么建议可以让它更快地工作吗？

missing = df.E.isna()

for id in df[missing].index:
    original = df.loc[id]

    # Second condition
    equal_A = df[df['A'] == original['A']]

    # Third condition
    the_one = equal_A[equal_A['C'] == original['B']]

    # Assigning
    if len(the_one) > 0:
        df.at[id, 'E'] = the_one.iloc[0]['D']
4

1 回答 1

0

由于您有多种不同的条件，您可能想要执行以下操作：

# Find missing E values
missing = df.E.isna()

for id in df[missing].index:
    original = df.loc[id]

    # Second condition
    equal_A = df[df['A'] == original['A']]

    # Third condition
    the_one = equal_A[equal_A['C'] == original['B']]

    # Assigning
    if len(the_one) > 0:
        df.at[id, 'E'] = the_one.iloc[0]['D']

您的示例数据的答案是：

      A  B  C  D    E
0   XXZ  a  d  1  4.0
1  YXXZ  b  a  2  3.0
2  YXXZ  c  b  3  2.0
3  YXXZ  d  c  4  5.0
4   XXZ  e  a  4  NaN

编辑：感谢您的耐心等待。我尝试了几种不同的方法来完成这项任务，其中大多数效率很低，perfplot如下图所示（这不是一个完美的情节，但你可以大致了解）。

性能图图像

我尝试了一些使用groupby, apply,for循环（上一个答案）的方法，最后是merge一种方法，这是迄今为止最快的一种。

这是它的代码：

_df = (df.reset_index()
       .merge(df, left_on=['A', 'B'],
              right_on=['A', 'C'],
              how='inner',
              suffixes=['_ori', '_target']))

_df.loc[_df.E_ori.isna(), 'E_ori'] = _df.loc[_df.E_ori.isna(), 'D_target']
_df.set_index('index', inplace=True)

df.loc[_df.index, 'E'] = _df['E_ori']

它确实比以前的解决方案更有效，因此请使用您的数据集尝试一下，如果您还有其他问题，请告诉我们。

于 2020-12-22T22:03:56.333 回答