Если условие python [duplicate]

Для логической логики используйте & и |.

np.random.seed(0)
df = pd.DataFrame(np.random.randn(5,3), columns=list('ABC'))

>>> df
          A         B         C
0  1.764052  0.400157  0.978738
1  2.240893  1.867558 -0.977278
2  0.950088 -0.151357 -0.103219
3  0.410599  0.144044  1.454274
4  0.761038  0.121675  0.443863

>>> df.loc[(df.C > 0.25) | (df.C < -0.25)]
          A         B         C
0  1.764052  0.400157  0.978738
1  2.240893  1.867558 -0.977278
3  0.410599  0.144044  1.454274
4  0.761038  0.121675  0.443863

Чтобы узнать, что происходит, вы получаете столбец логических значений для каждого сравнения, например

df.C > 0.25
0     True
1    False
2    False
3     True
4     True
Name: C, dtype: bool

Когда у вас есть несколько критериев, вы получите несколько возвращенных столбцов. Вот почему логика объединения неоднозначна. Использование and или or обрабатывает каждый столбец отдельно, поэтому вам сначала нужно свести этот столбец к одному логическому значению. Например, чтобы увидеть, истинно ли любое значение или все значения в каждом столбце.

# Any value in either column is True?
(df.C > 0.25).any() or (df.C < -0.25).any()
True

# All values in either column is True?
(df.C > 0.25).all() or (df.C < -0.25).all()
False

Один из пронумерованных способов добиться того же самого - это объединить все эти столбцы вместе и выполнить соответствующие логика.

>>> df[[any([a, b]) for a, b in zip(df.C > 0.25, df.C < -0.25)]]
          A         B         C
0  1.764052  0.400157  0.978738
1  2.240893  1.867558 -0.977278
3  0.410599  0.144044  1.454274
4  0.761038  0.121675  0.443863

Для получения дополнительной информации см. Boolean Indexing в документах.

Этот отличный ответ очень хорошо объясняет, что происходит, и дает решение. Я хотел бы добавить другое решение, которое может быть подходящим в подобных случаях: с помощью метода query :

result = result.query("(var > 0.25) or (var < -0.25)")

См. Также http: // pandas. pydata.org/pandas-docs/stable/indexing.html#indexing-query.

(Некоторые тесты с фреймворком данных, с которыми я сейчас работаю, показывают, что этот метод немного медленнее, чем используя побитовые операторы в рядах булевых: 2 мс против 870 мкс)

Предупреждение: по крайней мере, одна ситуация, когда это не просто, когда имена столбцов являются выражениями python. Я имел столбцы с именами WT_38hph_IP_2, WT_38hph_input_2 и log2(WT_38hph_IP_2/WT_38hph_input_2) и хотел выполнить следующий запрос: "(log2(WT_38hph_IP_2/WT_38hph_input_2) > 1) and (WT_38hph_IP_2 > 20)"

Я получил следующее исключение:

• KeyError: 'log2'
• UndefinedVariableError: name 'log2' is not defined
• ValueError: "log2" is not a supported function

Я предполагаю, что это произошло потому, что анализатор запросов пытался что-то сделать с первого два столбца вместо того, чтобы идентифицировать выражение с именем третьего столбца.

Предлагается возможное обходное решение здесь .

Или, альтернативно, вы можете использовать модуль Operator. Более подробная информация здесь Документы Python

import operator
import numpy as np
import pandas as pd
np.random.seed(0)
df = pd.DataFrame(np.random.randn(5,3), columns=list('ABC'))
df.loc[operator.or_(df.C > 0.25, df.C < -0.25)]

          A         B         C
0  1.764052  0.400157  0.978738
1  2.240893  1.867558 -0.977278
3  0.410599  0.144044  1.454274
4  0.761038  0.121675  0.4438