如何使用 if/elif/else 和列中的最小值计算数据？

Question

例如，我有 DataFrame：

a = [{'name': 'A', 'col_1': 5, 'col_2': 3, 'col_3': 1.5},
     {'name': 'B', 'col_1': 4, 'col_2': 2.5, 'col_3': None},
     {'name': 'C', 'col_1': 8, 'col_2': None, 'col_3': None},
     {'name': 'D', 'col_1': 7, 'col_2': 9, 'col_3': None}]
df = pd.DataFrame(a)
df['col_1'] = df['col_1'].fillna(0)
df['col_2'] = df['col_2'].fillna(0)
df['col_3'] = df['col_3'].fillna(0)
print(df)

我正在尝试计算df['color_4']列的值，并且我正在尝试用一行代码来完成。 但也许这是不可能的。

计算逻辑如下，对df['name'] == 'A' and 'B'有效，对df['name'] == 'C'无效，需补充

df['col_4'] = [i if i != 0 else x - (x * 0.75) for i, x, y in zip(df['col_3'], df['col_2'], df['col_1'])]

需要继续计算，如果值在df['col_3'] and df['col_2'] == 0 ，则y - (y * 0.75) -> df['col_1']

在df['name'] == 'D'的情况下，首先需要比较列df['col_1'] and df['col_2']中的值并选择最小值

我需要下一个结果：

Answer 1

你也可以使用 Pandas 操作，但我让它成为你想要的风格：

df['col_4'] = [t[0] if t[0]>0 else 
               (min(t[1], t[2]) - (min(t[1], t[2]) * 0.75) if bool(t[1]) else t[2]-0.75*t[2]) 
               for t in zip(df['col_3'], df['col_2'], df['col_1'])]

完整的检查脚本

import pandas as pd

a = [{'name': 'A', 'col_1': 5, 'col_2': 3, 'col_3': 1.5},
     {'name': 'B', 'col_1': 4, 'col_2': 2.5, 'col_3': None},
     {'name': 'C', 'col_1': 8, 'col_2': None, 'col_3': None},
     {'name': 'D', 'col_1': 7, 'col_2': 9, 'col_3': None}]
df = pd.DataFrame(a)
df['col_1'] = df['col_1'].fillna(0)
df['col_2'] = df['col_2'].fillna(0)
df['col_3'] = df['col_3'].fillna(0)

df['col_4'] = [t[0] if t[0]>0 else 
               (min(t[1], t[2]) - (min(t[1], t[2]) * 0.75) if bool(t[1]) else t[2]-0.75*t[2]) 
               for t in zip(df['col_3'], df['col_2'], df['col_1'])]

print(df)

结果

  name  col_1  col_2  col_3  col_4
0    A      5    3.0    1.5  1.500
1    B      4    2.5    0.0  0.625
2    C      8    0.0    0.0  2.000
3    D      7    9.0    0.0  1.750

Answer 2

您可以将逻辑简化为：

• 获取 col_1/col_2 的最小值
• 如果 col_3 为 0，则使用 0.25 * 该最小值
• 否则使用 col_3

df['col_4'] = np.where(df['col_3'].eq(0),
                       df[['col_1', 'col_2']].min(axis=1).mul(0.25),
                       df['col_3'])

Output：

  name  col_1  col_2  col_3  col_4
0    A      5    3.0    1.5  1.500
1    B      4    2.5    0.0  0.625
2    C      8    0.0    0.0  0.000
3    D      7    9.0    0.0  1.750