我有一個看起來像這樣的數(shù)據(jù)框。 Task[ms] Funktion ... min max 0 1 CALL_TK_CDDio_PFC_BEGIN_1MS ... 0.640000 3.360000 1 1 vAdcD_MainFunction ... 21.280001 25.920000 2 1 vPressE_Main1ms ... 17.120001 81.279999 3 1 vPositionSensorPwm_MainFunction_Fast_In ... 9.920000 13.760000 4 1 CDDIO_1MS_1_IN ... 2.240000 5.280000我必須選擇與此列名稱對應(yīng)的行。有 146 行df['Messvariable']。這是數(shù)據(jù)框的 Messvariable 列0 timeslices[0].profilerDataProcess[0]_C0[us]1 timeslices[0].profilerDataProcess[1]_C0[us]2 timeslices[0].profilerDataProcess[2]_C0[us]3 timeslices[0].profilerDataProcess[3]_C0[us]4 timeslices[0].profilerDataProcess[4]_C0[us] 141 timeslices[9].profilerDataProcess[0]_C0[us]142 timeslices[9].profilerDataProcess[1]_C0[us]143 timeslices[9].profilerDataProcess[2]_C0[us]144 timeslices[9].profilerDataProcess[3]_C0[us]145 timeslices[9].profilerDataTask_C0[us]我想通過此列選擇特定行并執(zhí)行這樣的操作 while df['Messvariable'].str.contains("timeslices[1]"): df['CPU_LOAD']=df['max']/(10000*2)并且對于具有不同計算的所有剩余時間片類似。這是行不通的。str.contains 返回空數(shù)據(jù)框。還有其他方法嗎？
1 回答
臨摹微笑
TA貢獻(xiàn)1982條經(jīng)驗 獲得超2個贊
主要問題是regex=True默認(rèn)參數(shù)（pat適用于正則表達(dá)式）。只需將參數(shù)設(shè)置為或者您可以使用orFalse來完成：startswith()find()
df = pd.DataFrame.from_dict({
? ? 'Messvariable': ('timeslices[1]', 'timeslices[1]', 'empty', 'empty'),
? ? 'max': (1, 2, 3, 4),
})
mask = df['Messvariable'].str.contains('timeslices[1]', regex=False)
# or
# mask = df['Messvariable'].str.find('timeslices[1]') != -1
# or
# mask = df['Messvariable'].str.startswith('timeslices[1]')
df['CPU_LOAD'] = 0
df.loc[mask, 'CPU_LOAD'] = df[mask]['max'] / (10000 * 2)
print(df.head())
#? ? Messvariable? max? CPU_LOAD
# 0? timeslices[1]? ? 1? ?0.00005
# 1? timeslices[1]? ? 2? ?0.00010
# 2? ? ? ? ? empty? ? 3? ?0.00000
# 3? ? ? ? ? empty? ? 4? ?0.00000
更新。 對于更好地與自定義函數(shù)一起使用的不同計算apply：
df['CPU_LOAD'] = 0
def set_cpu_load(x):
? ? if x['Messvariable'].startswith('timeslices[1]'):
? ? ? ? x['CPU_LOAD'] = x['max'] / (10000 * 2)
? ? elif x['Messvariable'].startswith('timeslices[2]'):
? ? ? ? pass? # other calculation
? ? # elif ...
? ? return x
df = df.apply(set_cpu_load, axis=1)
添加回答
舉報
0/150
提交
取消