Próbuję zmodyfikować DataFrame, dfaby zawierała tylko wiersze, dla których wartości w kolumnie closing_pricemieszczą się w przedziale od 99 do 101 i próbuję to zrobić za pomocą poniższego kodu.
Jednak pojawia się błąd
ValueError: Wartość prawdziwości serii jest niejednoznaczna. Użyj a.empty, a.bool (), a.item (), a.any () lub a.all ()
i zastanawiam się, czy można to zrobić bez używania pętli.
df = df[(99 <= df['closing_price'] <= 101)]
df.queryi pd.evalwydaje się, że dobrze pasuje do tego przypadku użycia. Aby uzyskać informacje na temat pd.eval()rodziny funkcji, ich funkcji i przypadków użycia, odwiedź stronę Dynamic Expression Evaluation w pandach przy użyciu pd.eval () .
Odpowiedzi:
Do ()grupowania wektora boolowskiego należy użyć, aby usunąć niejednoznaczność.
df = df[(df['closing_price'] >= 99) & (df['closing_price'] <= 101)]
Rozważ także serie między :
df = df[df['closing_price'].between(99, 101)]
inclusive=Truejest używana domyślnie w programie between, więc możesz zapytać w ten sposóbdf = df[df['closing_price'].between(99, 101)]
between.
df = df[~df['closing_price'].between(99, 101)]
jest fajniejsza alternatywa - użyj metody query () :
In [58]: df = pd.DataFrame({'closing_price': np.random.randint(95, 105, 10)})
In [59]: df
Out[59]:
closing_price
0 104
1 99
2 98
3 95
4 103
5 101
6 101
7 99
8 95
9 96
In [60]: df.query('99 <= closing_price <= 101')
Out[60]:
closing_price
1 99
5 101
6 101
7 99
UPDATE: odpowiadając na komentarz:
Podoba mi się tutaj składnia, ale upadłem, gdy próbowałem połączyć z wyrażeniem;
df.query('(mean + 2 *sd) <= closing_price <=(mean + 2 *sd)')
In [161]: qry = "(closing_price.mean() - 2*closing_price.std())" +\
...: " <= closing_price <= " + \
...: "(closing_price.mean() + 2*closing_price.std())"
...:
In [162]: df.query(qry)
Out[162]:
closing_price
0 97
1 101
2 97
3 95
4 100
5 99
6 100
7 101
8 99
9 95
meani sd? Czy to nazwy kolumn?
newdf = df.query('closing_price.mean() <= closing_price <= closing_price.std()')
lub
mean = closing_price.mean()
std = closing_price.std()
newdf = df.query('@mean <= closing_price <= @std')
Jeśli masz do czynienia z wieloma wartościami i wieloma danymi wejściowymi, możesz również skonfigurować taką funkcję stosującą. W tym przypadku filtrowanie ramki danych pod kątem lokalizacji GPS mieszczących się w określonych zakresach.
def filter_values(lat,lon):
if abs(lat - 33.77) < .01 and abs(lon - -118.16) < .01:
return True
elif abs(lat - 37.79) < .01 and abs(lon - -122.39) < .01:
return True
else:
return False
df = df[df.apply(lambda x: filter_values(x['lat'],x['lon']),axis=1)]
Zamiast tego
df = df[(99 <= df['closing_price'] <= 101)]
Powinieneś tego użyć
df = df[(df['closing_price']>=99 ) & (df['closing_price']<=101)]
Musimy użyć bitowych operatorów logicznych NumPy |, &, ~, ^ do zapytań złożonych. Również nawiasy są ważne dla pierwszeństwa operatorów.
Aby uzyskać więcej informacji, możesz odwiedzić łącze: porównania, maski i logika boolowska