Vous souhaitez effectuer des opérations dynamiques sur des DataFrames à l'aide de pd.eval, y compris la substitution de variables et l'arithmétique complexe .
1. Utilisation de pd.eval()
# Import necessary libraries import pandas as pd import numpy as np # Create sample DataFrames np.random.seed(0) df1 = pd.DataFrame(np.random.choice(10, (5, 4)), columns=list('ABCD')) df2 = pd.DataFrame(np.random.choice(10, (5, 4)), columns=list('ABCD')) # Evaluate expression using a variable x = 5 result = pd.eval("df1.A + (df1.B * x)") # Alternatively, assign the result to a new column pd.eval("df2['D'] = df1.A + (df1.B * x)")
Les arguments suivants peuvent être utilisés pour optimiser les performances de pd.eval :
Vous pouvez attribuer le résultat de pd.eval directement à un DataFrame en utilisant l'argument cible .
df3 = pd.DataFrame(columns=list('FBGH'), index=df1.index) pd.eval("df3['B'] = df1.A + df2.A", target=df3) # In-place modification pd.eval("df2.B = df1.A + df2.A", target=df2, inplace=True)
# Evaluate expression in df1 result = df1.eval("A + B") # Perform variable substitution df1.eval("A > @x", local_dict={'x': 5})
Bien que pd.eval soit adapté à l'évaluation d'expressions, df.query() est plus concis et efficace pour les expressions conditionnelles requêtes, car il filtre le DataFrame en fonction d'une expression booléenne.
# Query df1 df1.query("A > B")
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!