在 Python 的数据分析中，Pandas 一个非常强大的库，它能让数据处理变得简单、快捷。最近，很多人对 Pandas 中的 `case_when` 用法充满好奇，你是不是也在想怎样使用这样的技巧来处理数据呢？今天我们就来聊聊这个话题，带你认识 `case_when` 的用法及其在数据分析中的实际应用。
什么是case_when用法？
开门见山说，让我们来看看 `case_when` 是什么。简单来说，`case_when` 是在 Pandas 中用来根据条件创建新列的一种方式。这样做你或许会觉得难以领会，实际操作起来会发现它非常类似 SQL 中的 `CASE WHEN` 语句。
通过 `case_when`，你可以灵活地根据数据特征或特定条件生成新的数据列，这比用繁冗的 if-else 语句简单得多。不信？接着往下看，你就会发现它的神奇之处。
case_when的基本语法
想要使用 `case_when`，我们需要了解它的基本语法。它的语法很简单，主要包含四个部分：条件列表、对应值、默认值以及其他参数。具体如下：
“`python
pandas.Series.case_when(conditions, values, default=None, *args, kwargs)
“`
– conditions：这里放入你想要检测的条件。
– values：与这些条件相对应，你希望应用的值。
– default：这是可选的，若没有任何条件匹配，可以设置一个默认值。
是不是觉得很简单？接下来，我们就来看一些具体的示例，帮助你更清晰地领会它的用法。
示例代码
示例 1：基本用法
假设我们有一些学生的分数，现在想要为他们的表现打个等级。这里使用 `case_when` 完成这项任务：
“`python
import pandas as pd
data =
‘学生姓名’: [‘Alice’, ‘Bob’, ‘Charlie’, ‘David’, ‘Eva’],
‘分数’: [85, 70, 95, 60, 75]
}
df = pd.DataFrame(data)
定义条件和对应的值
conditions = [df[‘分数’] >= 90, (df[‘分数’] >= 80) & (df[‘分数’] < 90), df['分数'] < 80]
values = [‘杰出’, ‘良好’, ‘及格’]
使用 case_when 创建新列
df[‘等级’] = df[‘分数’].case_when(conditions, values, default=’不及格’)
print(df)
“`
示例 2：使用默认值
在处理数据的时候，有些情况下数据可能不满足任何条件。这时候使用默认值就显得很重要了：
“`python
data =
‘学生姓名’: [‘Alice’, ‘Bob’, ‘Charlie’, ‘David’, ‘Eva’],
‘分数’: [85, 70, 95, 60, None]
}
df = pd.DataFrame(data)
conditions = [df[‘分数’] >= 90, (df[‘分数’] >= 80) & (df[‘分数’] < 90), df['分数'] < 80]
values = [‘杰出’, ‘良好’, ‘及格’]
df[‘等级’] = df[‘分数’].case_when(conditions, values, default=’未知’)
print(df)
“`
在这个例子中，我们通过设置默认值来处理缺失值，让数据更完整。
多条件的复杂应用
在日常职业中，我们经常会遇到需要根据多个条件来生成新列的情况。比如，我们可以通过分数和出勤率来判断是否能够获得奖学金：
“`python
data =
‘学生姓名’: [‘Alice’, ‘Bob’, ‘Charlie’, ‘David’, ‘Eva’],
‘分数’: [85, 70, 95, 60, 75],
‘出勤率’: [90, 80, 95, 70, 85]
}
df = pd.DataFrame(data)
conditions = [
(df[‘分数’] >= 90) & (df[‘出勤率’] >= 90),
(df[‘分数’] >= 80) & (df[‘出勤率’] >= 80),
(df[‘分数’] >= 60) & (df[‘出勤率’] >= 70)
]
values = [‘获奖学金’, ‘荣誉奖’, ‘合格’]
df[‘奖励’] = df.apply(lambda row: row[‘分数’].case_when(conditions, values, default=’未获奖’), axis=1)
print(df)
“`
怎么样？经过上面的分析示例代码，你可以看到，`case_when` 非常适合处理多条件组合的情境。
拓展资料
通过这一系列的示例，相信你已经对 Python 中的 `case_when` 用法有了较深入的了解。不论是简单的条件判断，还是复杂的多条件情况，`case_when` 都可以帮助我们快速、高效地处理数据。
希望这篇文章能为你在数据分析的旅程中提供一些帮助！如若有更多疑问，欢迎继续关注我们，探索更多 Python 数据处理的技巧！
