{"id":4160,"date":"2023-07-13T04:41:09","date_gmt":"2023-07-13T04:41:09","guid":{"rendered":"https:\/\/statorials.org\/de\/pandas-mit-bedingung-erfullt\/"},"modified":"2023-07-13T04:41:09","modified_gmt":"2023-07-13T04:41:09","slug":"pandas-mit-bedingung-erfullt","status":"publish","type":"post","link":"https:\/\/statorials.org\/de\/pandas-mit-bedingung-erfullt\/","title":{"rendered":"Pandas: so verwenden sie f\u00fcllmaterial je nach bedingung"},"content":{"rendered":"

<\/p>\n

\n

Sie k\u00f6nnen die folgende grundlegende Syntax verwenden, um die Funktion ffill()<\/strong> in Pandas zu verwenden, um F\u00fcllwerte basierend auf einer Bedingung in einer anderen Spalte zu \u00fcbergeben:<\/span><\/p>\n

 df[' sales<\/span> '] = df. groupby<\/span> (' store<\/span> ')[' sales<\/span> ']. ffill<\/span> ()\n<\/strong><\/pre>\n
 In diesem speziellen Beispiel werden F\u00fcllwerte in der Spalte \u201e Sales<\/strong> \u201c nur dann \u00fcbergeben, wenn der vorherige Wert in der Spalte \u201e Store<\/strong> \u201c mit dem aktuellen Wert in der Spalte \u201e Store\u201c<\/strong> \u00fcbereinstimmt.<\/span><\/p>\n
 Das folgende Beispiel zeigt, wie diese Syntax in der Praxis verwendet wird.<\/span><\/p>\n
 Beispiel: Verwenden Sie F\u00fcllung basierend auf der Bedingung in Pandas<\/strong><\/span><\/h2>\n
 Angenommen, wir haben den folgenden Pandas-DataFrame, der Informationen \u00fcber die Gesamtverk\u00e4ufe von zwei verschiedenen Einzelhandelsgesch\u00e4ften \u00fcber vier Gesch\u00e4ftsquartale enth\u00e4lt:<\/span><\/p>\n
 import<\/span> pandas as<\/span> pd\nimport<\/span> numpy as<\/span> np\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' store<\/span> ': ['A', 'A', 'B', 'A', 'B', 'A', 'B', 'B'],\n                   ' quarter<\/span> ': [1, 2, 1, 3, 2, 4, 3, 4],\n                   ' sales<\/span> ': [12, 22, 30, np.nan, 24, np.nan, np.nan, np.nan]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n  store quarter sales\n0 A 1 12.0\n1 to 2 22.0\n2 B 1 30.0\n3 to 3 NaN\n4 B 2 24.0\n5 A 4 NaN\n6 B 3 NaN\n7 B 4 NaN<\/strong><\/pre>\n
 Beachten Sie, dass die Spalte \u201eUms\u00e4tze\u201c<\/strong> mehrere NaN-Werte enth\u00e4lt.<\/span><\/p>\n
 Nehmen wir an, wir m\u00f6chten diese NaN-Werte mit dem vorherigen Wert in der Spalte \u201eSales\u201c<\/strong> f\u00fcllen, m\u00f6chten aber sicherstellen, dass die Werte dem richtigen Gesch\u00e4ft entsprechen.<\/span><\/p>\n
 Wir k\u00f6nnen dazu die folgende Syntax verwenden:<\/span><\/p>\n
 #group by store and forward fill values in sales column<\/span>\ndf[' sales<\/span> '] = df. groupby<\/span> (' store<\/span> ')[' sales<\/span> ']. ffill<\/span> ()\n\n#view updated DataFrame<\/span>\nprint<\/span> (df)\n\n  store quarter sales\n0 A 1 12.0\n1 to 2 22.0\n2 B 1 30.0\n3 A 3 22.0\n4 B 2 24.0\n5 A 4 22.0\n6 B 3 24.0\n7 B 4 24.0\n<\/strong><\/pre>\n
 Beachten Sie, dass die NaN-Werte in der Spalte \u201eUms\u00e4tze\u201c<\/strong> durch den vorherigen Umsatzwert ersetzt wurden und die Werte dem richtigen Gesch\u00e4ft entsprechen.<\/span><\/p>\n
 Zum Beispiel:<\/span><\/p>\n