【Python】where cut query melt函数用法
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了【Python】where cut query melt函数用法，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含4228字，纯文字阅读大概需要7分钟。
内容图文
一，where函数用法
where可以通过Pandas包调用也可以通过numpy来调用。但是日常我们使用numpy调用where的场景会更多。
一起来看一下两者的使用及区别吧。
1. 使用Pandas中的where
数据源
1 #%%
2
3 import pandas as pd
4 import numpy as np
5 df = pd.DataFrame(
6 {
7 "商品":["mate book Pro2020 X","mate P40","mate Pro 40"],
8 "活动价":[9899,0,6899],
9 "原价":[10480,4188,7388]
10 }
11 )
12 df
结果
Pandas 使用where案例呈现
#%%
#可以通过where对固定列中的元素进行判断.如下案例中,符合条件则按照活动价标准赋值.不符合条件按照原价列赋值
df["实收价"] = df["活动价"].where(
df["活动价"]>5000, #如果大于指定条件就显示活动价
df["原价"] #如果条件不成立就显示原价
)
df
结果
说明：上述是以活动价为判断条件，条件符合则按照条件执行，不符合则按照条件下方的原价执行。
2. 使用numpy中的where
#使用numpy中的where同样可以实现上述效果.日常numpy中的where更常用
df["实收价"] = np.where(
df["原价"]>5000, #如果原价大于5000就显示下面的活动价否则就显示最下方的原价
df["活动价"],
df["原价"]
)
df
#%%
df["实收价"] = np.where(
df["活动价"]==0,
df["原价"],
df["活动价"]
)
df
结果：
3. numpy中where的另一种使用场景
#numpy中的where条件判断,支持字符串显示,也支持list列表更Series显示.
df["热销度"] = np.where(
df["原价"]>5000,
"畅销",
"平销"
)
df
结果：
二，Cut函数用法
Cut函数的使用，主要是将值做分类到间隔。简单来讲就是对指定的值划分层级，每个值隶属于那个层级就会划分到那里去。
一起来看一下以下的案例就清楚了。
数据源
1 import pandas as pd
2
3 #读取文件（读取前10行数据），自动转换文件格式
4 df = pd.read_excel("./datas/all_class_info.xlsx").convert_dtypes()
5 df.head(10)
结果：
1. Cut函数等级划分（指定分数区间精确划分）
#%%
#按照总分划分等级（精确划分）
df["等级"] = pd.cut(
df["总分"], # 把总分作为判断要素
bins=[0,160,210,300], #bins设置分段.0-160之间代表三门成绩不及格,以此类推
include_lowest=True, #如果为True,如果分数为0也会被包含到不及格.不然显示为None
labels=["不及格","及格","优秀"] #对应上述bins设置等级
)
df
结果：
说明：
上述案例主要是通过bins参数指定数值范围，例如0-160对应的是labels中的不及格.160-210对应的是及格,最后210-300对应的是优秀。include_lowest如果为True代表0也会包含到0-160这个区间范围内。如果为False的话则不被包含在内。
2. Cut函数等级划分（模糊划分）
#按照总分划分等级（模糊划分）
df["等级"] = pd.cut(
df["总分"], # 把总分作为判断要素
bins= 3, #也可以直接给一个int类型.会根据最小到最大值/3来自动分为3个段.这样做算的是均值没有bins指定来的精确
labels=["不及格","及格","优秀"] #对应上述bins设置等级
)
df
结果：
说明：
主要是通过bins这个参数来指定要划分多少个区间。3为总分的平均值。是按照总分的最小值到最大值的1/3来划分的。这样做就没有上述指定每段区间值的范围来的更加精确。
例如：朱瑞麒的成绩加起来平均值明显每门成绩低于60但是依然定义为及格。是因为总分的最大值到最小值进行了1/3平均所导致的。因此如果要精确划分的话建议使用案例1的做法。
如果只是算平均划分的话可以使用案例2。
三，Query函数用法
Query也是对数据进行筛选。之前的章节中提到过掩码的用法。可以通过返回True，False的方式对指定行列进行条件判断，符合条件的则被过滤筛选出来。
Query也可以实现相同的效果。一起来看一下下列的案例演示。
数据源
#%%
import pandas as pd
df = pd.read_excel("./datas/all_class_info.xlsx").convert_dtypes()
df
结果：
1. 通过掩码的方式，筛选出数学，语文，英语都及格的男生学生信息。
#需求1 #通过掩码提取数学，英语，语文都大于60分的男同学信息 df[(df["数学"]>60)&(df["语文"]>60)&(df["英语"]>60)&(df["性别"]=="男")]
结果：
2. 通过Query函数，筛选出数学，语文，英语都及格的男生学生信息。
注意：这里使用了变量赋值的方法。在调用变量时，Query要求在变量前加@符号不然无法识别变量
#%%
#需求2
#通过query提取变量的方式，找出数学，语文，英语都大于60的男同学
x=60 #定义变量
y="男"
#通过query提取变量做条件判断，提取数据。但是提取变量前必须加@符号。缺点：代码可读性差。优点：结构清晰联动方便
df.query("数学>@x").query("语文>@x").query("英语>@x").query("性别==@y")
#df.query("语文>60").query("数学>60").query("英语>60")
结果：
当然也可以变量和条件联合使用例如：
#%%
#上述的例子也可以直接通过传入数字和变量的方式联合使用。注意不能直接==字符串.必须先声明才能做判断
y="女" #定义变量
df.query("语文>60").query("数学>60").query("英语>60").query("性别==@y")
结果：
还可以对两列进行直接的对比运算例如
#需求3
#筛选出语文大于英语,同时语文也大于数学成绩的所有行
df.query("语文>英语").query("语文>数学")
结果：
还可以对指定行列进行数值的加减乘除等运算。例如
#%% #总分基础上成10这个通过query做会报错 df["总分"]*10
结果：
四，melt逆透视函数用法
内容总结
以上是互联网集市为您收集整理的【Python】where cut query melt函数用法全部内容，希望文章能够帮你解决【Python】where cut query melt函数用法所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。