解析字符串作为过滤熊猫数据框的条件

尽管可能有有效的方法来实现，但一种可能的方法可能是使用eval功能。

创建输入df：

import pandas as pd
import numpy as np

data = pd.DataFrame()
data['A']= [np.random.choice([1,2,3,4,5,6]) for i in range(10)]
print(data)

输入df：

   A
0  4
1  3
2  3
3  1
4  1
5  2
6  3
7  6
8  2
9  1

现在，一个函数被创建，使得它iterates经过的每一行dataframe和condition_dict当row评估匹配value存储在列表中相应的这对更新的行new column。如果没有条件匹配，则默认情况下None：

def add_column(df, condition_dict, NewColumnName):
    new_values = []
    for index, row in df.iterrows():
        # if none of the condition matches then put default value
        default_value = None
        # iterate through each condition to check if any matches
        for key, value in condition_dict.items():
            expression = 'row.' + key
            if(eval(expression)):
                default_value = value
        # add corresponding rows new value for new column        
        new_values.append(default_value)

    df[NewColumnName] = new_values

现在，调用该函数：

add_column(data, {'A==1':0, 'A>5':1}, 'B')
print(data)

输出：

   A    B
0  4  NaN
1  3  NaN
2  3  NaN
3  1  0.0
4  1  0.0
5  2  NaN
6  3  NaN
7  6  1.0
8  2  NaN
9  1  0.0