我已经创建了一个熊猫数据框架
df = DataFrame(index=['A','B','C'], columns=['x','y'])
得到了这个
x y
A NaN NaN
B NaN NaN
C NaN NaN
现在，我想给特定的单元格赋值，例如给C行和x列赋值。 我希望得到这样的结果:
x y
A NaN NaN
B NaN NaN
C 10 NaN
下面的代码:
df.xs('C')['x'] = 10
但是df的内容没有改变。数据帧仍然只包含nan。
有什么建议吗?
当前回答
.iat /。是很好的解决办法。 假设你有这样一个简单的数据帧:
A B C
0 1 8 4
1 3 9 6
2 22 33 52
如果我们想修改单元格[0，"A"]的值，你可以使用这些解决方案之一:
df。Iat [0,0] = 2 df。at[0，'A'] = 2
下面是一个如何使用iat获取和设置cell值的完整示例:
def prepossessing(df):
for index in range(0,len(df)):
df.iat[index,0] = df.iat[index,0] * 2
return df
Y_train前:
0
0 54
1 15
2 15
3 8
4 31
5 63
6 11
Y_train调用prepossession函数后，iat改变每个单元格的值乘以2:
0
0 108
1 30
2 30
3 16
4 62
5 126
6 22
其他回答
你也可以使用.loc进行条件查找，如下所示:
df.loc[df[<some_column_name>] == <condition>, [<another_column_name>]] = <value_to_add>
其中<some_column_name是您想要检查<条件>变量的列，<another_column_name>是您想要添加的列(可以是新列，也可以是已经存在的列)。<value_to_add>是您想要添加到该列/行中的值。
这个示例并不能精确地解决当前的问题，但是对于想要根据条件添加特定值的人来说，它可能是有用的。
.iat /。是很好的解决办法。 假设你有这样一个简单的数据帧:
A B C
0 1 8 4
1 3 9 6
2 22 33 52
如果我们想修改单元格[0，"A"]的值，你可以使用这些解决方案之一:
df。Iat [0,0] = 2 df。at[0，'A'] = 2
下面是一个如何使用iat获取和设置cell值的完整示例:
def prepossessing(df):
for index in range(0,len(df)):
df.iat[index,0] = df.iat[index,0] * 2
return df
Y_train前:
0
0 54
1 15
2 15
3 8
4 31
5 63
6 11
Y_train调用prepossession函数后，iat改变每个单元格的值乘以2:
0
0 108
1 30
2 30
3 16
4 62
5 126
6 22
尝试使用df。Loc [row_index,col_indexer] = value
我测试了，输出是df。Set_value稍微快一点，但官方方法df。At看起来是最快的非弃用的方法。
import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.rand(100, 100))
%timeit df.iat[50,50]=50 # ✓
%timeit df.at[50,50]=50 # ✔
%timeit df.set_value(50,50,50) # will deprecate
%timeit df.iloc[50,50]=50
%timeit df.loc[50,50]=50
7.06 µs ± 118 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
5.52 µs ± 64.2 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
3.68 µs ± 80.8 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
98.7 µs ± 1.07 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
109 µs ± 1.42 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
注意，这是为单个单元格设置值。对于向量来说，loc和iloc应该是更好的选择，因为它们是向量化的。
我也在搜索这个主题，我把一种方法放在一起，通过一个DataFrame迭代，并从第二个DataFrame更新查找值。这是我的代码。
src_df = pd.read_sql_query(src_sql,src_connection)
for index1, row1 in src_df.iterrows():
for index, row in vertical_df.iterrows():
src_df.set_value(index=index1,col=u'etl_load_key',value=etl_load_key)
if (row1[u'src_id'] == row['SRC_ID']) is True:
src_df.set_value(index=index1,col=u'vertical',value=row['VERTICAL'])
