极客教程Python Pandas Caveats警告 & Gotchas预见
Caveats表示警告，gotcha表示未预见的问题。
在Pandas中使用if/Truth语句
Pandas遵循numpy的约定，当您尝试将某个对象转换为 bool 时，会抛出错误。这在使用布尔运算的 if 或 when 以及 or 、 and 或 not 时会发生。不清楚应该得到什么结果。它应该是True，因为它不是零长度的吗？它应该是False，因为有False的值吗？不清楚，所以Pandas会引发 ValueError –
import pandas as pd
if pd.Series([False, True, False]):
print 'I am True'
其输出如下所示：
ValueError: The truth value of a Series is ambiguous.
Use a.empty, a.bool() a.item(),a.any() or a.all().
在 if 条件下，不清楚该怎么处理它。错误的提示是使用 None 或是 其中任何一个 。
import pandas as pd
if pd.Series([False, True, False]).any():
print("I am any")
输出 –
I am any
要在布尔上下文中评估单元素的pandas对象，请使用方法 .bool() −
import pandas as pd
print pd.Series([True]).bool()
输出 –
True
位运算布尔
位运算布尔运算符如 == 和 ! 返回一个布尔序列，这通常是所需的。
import pandas as pd
s = pd.Series(range(5))
print s==4
输出 −
0 False
1 False
2 False
3 False
4 True
dtype: bool
isin操作
此操作返回一个布尔系列，显示系列中的每个元素是否完全包含在传递的值序列中。
import pandas as pd
s = pd.Series(list('abc'))
s = s.isin(['a', 'c', 'e'])
print s
输出 –
0 True
1 False
2 True
dtype: bool
重新索引 vs ix 使用注意事项
很多用户会发现使用 ix 索引能力 作为从 Pandas 对象中选择数据的简洁方式−
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(6, 4), columns=['one', 'two', 'three',
'four'],index=list('abcdef'))
print df
print df.ix[['b', 'c', 'e']]
输出 –
one two three four
a -1.582025 1.335773 0.961417 -1.272084
b 1.461512 0.111372 -0.072225 0.553058
c -1.240671 0.762185 1.511936 -0.630920
d -2.380648 -0.029981 0.196489 0.531714
e 1.846746 0.148149 0.275398 -0.244559
f -1.842662 -0.933195 2.303949 0.677641
one two three four
b 1.461512 0.111372 -0.072225 0.553058
c -1.240671 0.762185 1.511936 -0.630920
e 1.846746 0.148149 0.275398 -0.244559
当然，在这种情况下，这完全等效于使用 reindex 方法 –
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(6, 4), columns=['one', 'two', 'three',
'four'],index=list('abcdef'))
print df
print df.reindex(['b', 'c', 'e'])
输出 –
one two three four
a 1.639081 1.369838 0.261287 -1.662003
b -0.173359 0.242447 -0.494384 0.346882
c -0.106411 0.623568 0.282401 -0.916361
d -1.078791 -0.612607 -0.897289 -1.146893
e 0.465215 1.552873 -1.841959 0.329404
f 0.966022 -0.190077 1.324247 0.678064
one two three four
b -0.173359 0.242447 -0.494384 0.346882
c -0.106411 0.623568 0.282401 -0.916361
e 0.465215 1.552873 -1.841959 0.329404
有些人可能会认为根据这一点， ix 和 reindex 是100%等价的。除了在整数索引的情况下。例如，上述操作可以替代地表示为-
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(6, 4), columns=['one', 'two', 'three',
'four'],index=list('abcdef'))
print df
print df.ix[[1, 2, 4]]
print df.reindex([1, 2, 4])
输出 –
one two three four
a -1.015695 -0.553847 1.106235 -0.784460
b -0.527398 -0.518198 -0.710546 -0.512036
c -0.842803 -1.050374 0.787146 0.205147
d -1.238016 -0.749554 -0.547470 -0.029045
e -0.056788 1.063999 -0.767220 0.212476
f 1.139714 0.036159 0.201912 0.710119
one two three four
b -0.527398 -0.518198 -0.710546 -0.512036
c -0.842803 -1.050374 0.787146 0.205147
e -0.056788 1.063999 -0.767220 0.212476
one two three four
1 NaN NaN NaN NaN
2 NaN NaN NaN NaN
4 NaN NaN NaN NaN
重要的是要记住， 重新索引仅针对严格的标签索引 。这可能会导致一些潜在的令人惊讶的结果，比如在索引中同时包含整数和字符串时。