どこ機能で使用パンダ

关于模块pandas.core.component.generic.generic.中的函数where的帮助。

where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='' raise', try_cast=False)
    替换条件为False的值。
    
    参数
    
    cond : boolean Series/DataFrame、数组式或可调用的系列/数据框
        当`cond`为True时，保留原值。其中
        False，用`other`中的相应值代替。
        如果`cond`是可调用的，它将在系列/数据框上计算，并在
        应该返回布尔系列/数据框或数组。可调取的对象必须是
        不改变输入系列/数据框（虽然pandas不检查）。
    
        ...版本添加：: 0.18.1
            一个callable可以作为conc.
    
    其他： scalar、Series/DataFrame或callable
        `cond`为False的条目被替换为
        `other`中的相应值。
        如果other是可调用的，则在Series/DataFrame上计算，并且
        应该返回标量或 Series/DataFrame。可调取的对象不能是
        更改输入系列/数据框（虽然pandas不检查）。
    
        ...版本添加：: 0.18.1
            一个可调用的函数可以作为其他函数使用。
    
    inplace : bool, 默认为False
        是否对数据进行原地操作。
    axis : int, 默认为 None
        如果需要的话，可选择对齐轴。
    level : int, 默认为 None
        如果需要的话，对齐级别。
    errors : str, {''提高', '忽略'}, 默认为'提高'
        注意，目前这个参数不会影响到
        结果，并且总是会强制执行到一个合适的dtype。
    
        - ' raise'：允许提出异常。
        - '忽略'：压制异常。错误时，返回原始对象。
    
    try_cast : bool, 默认为False
        尝试将结果投回输入类型（如果可能的话）。
    
    返回
    -------
    与呼叫者相同的类型
    
    另见
    --------
    :func:`DataFrame.mask`：返回一个与 "DataFrame.mask "形状相同的对象。
        自己。
    
    笔记
    -----
    where方法是if-then这个成语的应用。对于每一个
    元素，如果``cond`为`True``，则在调用数据框中的
    元素；否则，将使用DataFrame中的相应元素。
    ``其他````使用了。
    
    :func:`DataFrame.where`的签名不同于
    :func:`numpy.where`。粗略来说，``df1.where(m, df2)``等于
    ``np.where(m, df1, df2)``。
    
    更多的细节和例子，请参见 "where "文档中的 "where"。
    :ref:`indexing <indexing.where_mask>`。
    
    Examples
    --------
    >>> s = pd.Series(range(5))
    >>> s.where(s > 0)
    0    NaN
    1    1.0
    2    2.0
    3    3.0
    4    4.0
    dtype: float64
    
    >>> s.mask(s > 0)
    0    0.0
    1    NaN
    2    NaN
    3    NaN
    4    NaN
    dtype: float64
    
    >>> s.where(s > 1, 10)
    0    10
    1    10
    2    2
    3    3
    4    4
    dtype: int64
    
    >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B'])
    >>> df
       A  B
    0  0  1
    1  2  3
    2  4  5
    3  6  7
    4  8  9
    >>> m = df % 3 == 0
    >>> df.where(m, -df)
       A  B
    0  0 -1
    1 -2  3
    2 -4 -5
    3  6 -7
    4 -8  9
    >>> df.where(m, -df) == np.where(m, df, -df)
          A     B
    0  True  True
    1  True  True
    2  True  True
    3  True  True
    4  True  True
    >>> df.where(m, -df) == df.mask(~m, -df)
          A     B
    0  True  True
    1  True  True
    2  True  True
    3  True  True
    4  True  True