用其列的顺序替换Pandas数据框中的值

Question

我们如何替换数据框中的特定值，以使替换等于这些特定值所在的第i列的顺序？例如，我有这个DF：

A  B  C
0  0  1
1  0  0 
1  0  0
0  1  0
1  0  1

将此数据框中的所有1替换为1所在的第i列（第1，第2，第3等）的顺序，以便它像这样松散：

A  B  C
0  0  3
1  0  0 
1  0  0
0  2  0
1  0  3

这是我认为可行的，但它没有：

 DF_2= [(0 if i== 0 else j  for i in DF.iloc[:,j]  ) for j in range(DF.shape[1]) ]

Answer 1

如果只有1和0值，您可以使用np.arrange values转换多个numpy数组：

print (np.arange(1, len(df.columns)+1))
[1 2 3]


print (df.values * np.arange(1, len(df.columns)+1))
[[0 0 3]
 [1 0 0]
 [1 0 0]
 [0 2 0]
 [1 0 3]]

df = pd.DataFrame(df.values * np.arange(1, len(df.columns)+1),
                  index=df.index, columns=df.columns)
print (df)
   A  B  C
0  0  0  3
1  1  0  0
2  1  0  0
3  0  2  0
4  1  0  3

更一般的解决方案，（如果0和另一个数字）将值转换为bool：

print (df)
   A  B  C
0  0  0  4
1  1  0  0
2  1  0  0
3  0  6  0
4  1  0  1

df = pd.DataFrame(df.astype(bool).values * np.arange(1, len(df.columns)+1),
                  index=df.index, columns=df.columns)
print (df)
   A  B  C
0  0  0  3
1  1  0  0
2  1  0  0
3  0  2  0
4  1  0  3

感谢您提供其他解决方案（Jon Clements和MaxU）：

df = df.replace({col: {1: n} for n, col in enumerate(df.columns[1:], 2)})
print (df)
   A  B  C
0  0  0  3
1  1  0  0
2  1  0  0
3  0  2  0
4  1  0  3

df = df * np.arange(1, df.shape[1]+1)
print (df)
   A  B  C
0  0  0  3
1  1  0  0
2  1  0  0
3  0  2  0
4  1  0  3

<强>计时：

N = 100
cols = ['col' + str(i) for i in range(N)]
df = pd.DataFrame(np.random.choice([0,1], size=(100000,N)), columns=cols)
[100000 rows x 100 columns]
#print (df)


In [101]: %timeit pd.DataFrame(df.values * np.arange(1, len(df.columns)+1), index=df.index, columns=df.columns)
10 loops, best of 3: 25.1 ms per loop

In [102]: %timeit df.replace({col: {1: n} for n, col in enumerate(df.columns[1:], 2)})
1 loop, best of 3: 1.39 s per loop

In [103]: %timeit df * np.arange(1, df.shape[1]+1)
10 loops, best of 3: 21 ms per loop

#Wen solution
In [104]: %timeit (df.mul(list(range(1, len(df.columns)+1))))
10 loops, best of 3: 38.7 ms per loop

Answer 2

或者您可以试试这个。（PS：您可以使用range生成list：list(range(1,df1.shape[1]+1)) ）

df.mul([1,2,3])
Out[433]: 
   A  B  C
0  0  0  3
1  1  0  0
2  1  0  0
3  0  2  0
4  1  0  3