如何根据入口条件过滤已经包含 NaN 的数据框？

Question

我从一个数据帧开始，我想根据输入值的条件将它分成三个数据帧。对于 df1，我只想让 Person_X 值 <0.33。对于 df2，我希望只有 0.34<Person_X 值<0.65。对于 df3，我只想让 Person_X 值 >0.66。我希望 NaN 替换不符合要求的整数值。所以，从 df 开始：In [1]: df=pd.DataFrame({'location':[4991, 8870, 2703, 9674],    ...:                  'Person_1': ['NaN', 0.2,0.5,0.7],    ...:                  'Person_2':[0.8, 0.45, 'NaN', 0.1]})    ...: df                                                                      Out[1]:    location Person_1 Person_20      4991      NaN      0.81      8870      0.2     0.452      2703      0.5      NaN3      9674      0.7      0.1我想要三个看起来像的数据框： df1   location Person_1 Person_20      4991      NaN      NaN1      8870      0.2     NaN2      2703      NaN     NaN3      9674      NaN      0.1df2 Out[4]:    location Person_1 Person_20      4991      NaN      NaN1      8870      NaN     0.452      2703      0.5      NaN3      9674      NaN      NaNdf3 Out[4]:    location Person_1 Person_20      4991      NaN      0.81      8870      NaN      NaN2      2703      NaN      NaN3      9674      0.7      NaN我已经针对每个要求尝试过类似的方法，但是由于 df 已经包含 NaN，所以我遇到了问题。patient_cols=[col for col in df if col.startswith('Person')]df[patient_cols]=df[patient_cols].applymap(lambda x: np.nan if x>0.33 else x)df[patient_cols]

Answer 1

让我们使用pd.DataFrame.where：

df=pd.DataFrame({'location':[4991, 8870, 2703, 9674], 

   'Person_1': [np.nan, 0.2,0.5,0.7], 

                     'Person_2':[0.8, 0.45, np.nan, 0.1]})  

#Just incase your NaN are strings as indicated by your original posts.

df=df.replace('NaN', np.nan) 

df= df.set_index('location')

df1 = df.where(df<.33).reset_index()

df2 = df.where((df>.34) & (df<.65)).reset_index()

df3 = df.where(df>.66).reset_index()

print(df1)

print('\n')

print(df2)

print('\n')

print(df3)

输出：

   location  Person_1  Person_2

0      4991       NaN       NaN

1      8870       0.2       NaN

2      2703       NaN       NaN

3      9674       NaN       0.1

   location  Person_1  Person_2

0      4991       NaN       NaN

1      8870       NaN      0.45

2      2703       0.5       NaN

3      9674       NaN       NaN

   location  Person_1  Person_2

0      4991       NaN       0.8

1      8870       NaN       NaN

2      2703       NaN       NaN

3      9674       0.7       NaN