Home / Questions / 250832
Accepted
Juan
Asked: 2020-04-02 21:03:03 +0800 CST 2020-04-02 21:03:03 +0800 CST

用pandas中的for内的单元格替换单元格值

  • 772

我需要修复在 pandas 循环中用单元格替换单元格值时出现的错误：

使用以下信息：

减少示例的信息

import pandas as pd
data = pd.read_csv('iEC7R76C.txt', sep=",")
data.head(2)

在此处输入图像描述

我想根据标题完成这一年，我得到这样的结果：

import re
cadena = data.title[0]
cadena
# 'Nicosia 2013 VulkÃ\xa0 Bianco  (Etna)'
cadena = re.sub("\D", "", cadena)
cadena
# 2013

现在，如果我将位置 0 中的年份与该字符串匹配，它会更改它，但我收到此警报，我不知道它的含义，尽管我已经用谷歌搜索了足够多的内容，但我不明白：

data.anio[0] = cadena
data.head(2)

在此处输入图像描述

有了或多或少这样的东西，我可以浏览所有数据并完成它，但错误不断出现：

for i in range(0, len(data)):
    cadena = data.title[i]
    cadena = re.sub("\D", "", cadena)
    if cadena != '':
        if 1900 <= int(cadena) <= 2020:
            data['anio'][i] = cadena

我把那个空的条件，因为有时标题没有年份，如果那一年在 1900 年和 2020 年之间，因为有些标题有例如“2001 年第 2 批葡萄酒的名称”，当我得到该字符串中的数字时，我返回20012

输入显示链接错误但我不明白的链接。

在此处输入图像描述

python

1 Answers

  1. Best Answer

     首先，错误是什么意思？

    这是一个警告，当您执行以下操作时：

     dataframe[columna][indice]="otra cosa"

    该值可能未分配。这是因为 selectdataframe[columna]有时会返回对数据框实际列的引用，在这种情况下，后续访问[indice]yes 将修改该列，但在其他情况下，它可能会dataframe[columna]返回您的列的副本，在这种情况下，后续分配会修改该列复制，但不是原始数据框。

    熊猫似乎有时会返回一份副本，尽管我不清楚具体情况。我想这取决于您选择列时使用的表达式类型。无论如何，以防万一，它会警告您不要这样做。

     那该怎么办？

    引用单元格以更改其值的正确方法是：

    dataframe.loc[indice, columna] = "otra cosa"

    这种访问单元格的方式将始终修改原始数据帧，因此不会产生警告。

    在您的代码中，它将转换为：

    for i in range(0, len(data)):
    cadena = data.title[i]
    cadena = re.sub("\D", "", cadena)
    if cadena != '':
        if 1900 <= int(cadena) <= 2020:
            data.loc[i,'anio'] = cadena

    更好的方法

    只要有可能，在执行 pandas 操作时应避免循环，并将它们更改为在一行中作用于整个数据帧的向量操作（自然，pandas 内部会为其创建循环，但完成后它们会更有效率在 C 中比在 Python 中可以做的多）。

    在这种情况下，您之前的所有循环都可以简化为一行：

    data["anio"] = data.title.str.extract(r"(\d{4})", expand=False)

    列上的运算符.str返回一个对象向量，这些对象是列的内容，但具有向量方法，例如.extract() （并且您还有更多，例如.startswith(),.strip()等）可以“一次”对所有对象起作用。

    在这种情况下，该方法extract()需要一个正则表达式，其中至少有一个捕获组指示您要提取的文本的哪一部分。在这种情况下，我要求一组 4 位数字。这样您就可以避免结果会包含不属于年份的额外数字的问题。

    更新

    用户在评论中指出，除了查找的年份之外，某些行还包含其他四位数字，例如 1840。我的解决方案.extract()仅提取第一个匹配项，因此如果有两个匹配项，它将保留第一个匹配项。用户询问是否可以验证提取的年份是否在 1900 年到 2019 年之间，如果不是，则将结果留空。

    我有更好的解决方案。您可以细化正则表达式，而不是说“任何四位数字的序列”，而是说“数字 19 后跟两个数字，或数字 20 后跟 1 或 0，然后是另一个数字”。

    表示这样的正则表达式是：

    (19\d\d|20[01]\d)

    请注意使用|分隔两个所需选项。第一个是19\d\d匹配上世纪的任何年份，第二个是20[01]\d匹配前两位数字为“20”，下一个是1或0，最后一个是任何数字的年份，即 2000 年至 2019 年之间的年份。

    所以现在你会说：

    data["anio"] = data.title.str.extract(r"(19\d\d|20[01]\d)", expand=False)

    多亏了这一点，在您有两个可能的四位数组的单元格中，例如“18401 Cellars 2013 Proprietary Red (Walla Walla Valley (OR))”，只有一个组将匹配正则表达式，这将是一个回来。

    请注意，仍可能出现类似“19235 Cellars 2013 Proprietary Red (Walla Walla Valley (OR))”的情况，在这种情况下，与 1923 的匹配将是错误的。你可以用正则表达式更精确，强制你要找的那组数字是一个“整字”，也就是要找的数字两边都有一个“字边框”。所以“19235”不适合，因为在 3 之后没有单词边框。在正则表达式中，字符的\b意思就是（单词边界），所以下面的正则表达式会更安全地避免这样的情况：

    data["anio"] = data.title.str.extract(r"\b(19\d\d|20[01]\d)\b", expand=False)
    • 3