python pandas模块是一个功能强大的DataFrame数据处理模块，这里就是结果几个具体常见的应用场景来展示下其应用，该处展示的功能excel上也可以实现，不过站在一个懂python的人角度来说，我觉得这种处理方法比excel更高效好玩。

一、数字判断

这里实现的功能比较简单，根据一列数据生成另一列数据，比如，我们给出一列数据1-10，其中大于4的判断为False，小于等于4的设置为True。操作语法如下：

1df.loc[df['column name'] condition, 'new column name'] = 'value if condition is met'

完整示例代码：

1from pandas import DataFrame
2numbers = {'set_of_numbers': [1,2,3,4,5,6,7,8,9,10]}
3df = DataFrame(numbers,columns=['set_of_numbers'])
4df.loc[df['set_of_numbers'] <= 4, 'equal_or_lower_than_4?'] = 'True'
5df.loc[df['set_of_numbers'] > 4, 'equal_or_lower_than_4?'] = 'False'
6print (df)

输出结果如下：

pandas-if-number
pandas-if-number

二、lambda数字判断

上面的示例比较好理解，直接通过值的多次判断给出不同的值，不好的地方在于需要写多个条件，哪有一条搞定的方法。当然有，使用lambda匿名函数，如下：

1df['new column name'] = df['column name'].apply(lambda x: 'value if condition is met' if x condition else 'value if condition is not met')

完整测试代码：

1from pandas import DataFrame
2numbers = {'set_of_numbers': [1,2,3,4,5,6,7,8,9,10]}
3df = DataFrame(numbers,columns=['set_of_numbers'])
4df['equal_or_lower_than_4?'] = df['set_of_numbers'].apply(lambda x: 'True' if x <= 4 else 'False')
5print (df)

上面代码的输出效果和第一种输出是一样的。效率吗，数据量比较小是看不出的，你可以生成一个大列表几十万数据量的列表，分别试下效果看。

三、字符串判断

这里的需求也比较简单，比如一个列表里有多个名字，我们现在想把BILL找出来，是BILL的行显示Match，不叫的BILL的Mismatch 。这个示例就是第一个示例的变种，测试代码如下：

 1from pandas import DataFrame
 2names = {'First_name': ['Jon','Bill','Maria','Emma']}
 3df = DataFrame(names,columns=['First_name'])
 4df.loc[df['First_name'] == 'Bill', 'name_match'] = 'Match'
 5df.loc[df['First_name'] != 'Bill', 'name_match'] = 'Mismatch'
 6print (df)
 7# 代码执行后输出如下：
 8  First_name name_match
 90        Jon   Mismatch
101       Bill      Match
112      Maria   Mismatch
123       Emma   Mismatch

同样该问题也可以用lamda解决：

1from pandas import DataFrame
2names = {'First_name': ['Jon','Bill','Maria','Emma']}
3df = DataFrame(names,columns=['First_name'])
4df['name_match'] = df['First_name'].apply(lambda x: 'Match' if x == 'Bill' else 'Mismatch')
5print (df)

四、字符串多重匹配

还是第三部分的示例，假如我想找出BILL和Emma两个人，怎么办呢？是不是要加 or 条件 and 条件判断，具体代码如下：

 1from pandas import DataFrame
 2names = {'First_name': ['Jon','Bill','Maria','Emma']}
 3df = DataFrame(names,columns=['First_name'])
 4df.loc[(df['First_name'] == 'Bill') | (df['First_name'] == 'Emma'), 'name_match'] = 'Match'
 5df.loc[(df['First_name'] != 'Bill') & (df['First_name'] != 'Emma'), 'name_match'] = 'Mismatch'
 6print (df)
 7＃输出结果如下：
 8  First_name name_match
 90        Jon   Mismatch
101       Bill      Match
112      Maria   Mismatch
123       Emma      Match

五、修改匹配值

经如，我想将某列数据中的5改为555，0改为999，具体代码如下：

1from pandas import DataFrame
2numbers = {'set_of_numbers': [1,2,3,4,5,6,7,8,9,10,0,0]}
3df = DataFrame(numbers,columns=['set_of_numbers'])
4print (df)
5df.loc[df['set_of_numbers'] == 0, 'set_of_numbers'] = 999
6df.loc[df['set_of_numbers'] == 5, 'set_of_numbers'] = 555
7print (df)

效果如下：

pandas-number-change
pandas-number-change

同样的，我们还可以把pandas中的Nan数据修改为0，具体代码如下：

1from pandas import DataFrame
2import numpy as np
3numbers = {'set_of_numbers': [1,2,3,4,5,6,7,8,9,10,np.nan,np.nan]}
4df = DataFrame(numbers,columns=['set_of_numbers'])
5print (df)
6df.loc[df['set_of_numbers'].isnull(), 'set_of_numbers'] = 0
7print (df)

pandas-nan-zero
pandas-nan-zero