Confronta due colonne usando i panda

Usando questo come punto di partenza:

a = [['10', '1.2', '4.2'], ['15', '70', '0.03'], ['8', '5', '0']]
df = pd.DataFrame(a, columns=['one', 'two', 'three'])

Out[8]: 
  one  two three
0   10  1.2   4.2
1   15  70   0.03
2    8   5     0

Voglio usare qualcosa di simile a ifun'affermazione all'interno dei panda.

if df['one'] >= df['two'] and df['one'] <= df['three']:
    df['que'] = df['one']

Fondamentalmente, controlla ogni riga tramite l' ifistruzione, crea una nuova colonna.

I documenti dicono di usare .allma non c'è esempio ...

Potresti usare np.where . Se condè un array booleano e Ae Bsono array, allora

C = np.where(cond, A, B)

definisce C come uguale a Adove condè True e Bdove condè False.

import numpy as np
import pandas as pd

a = [['10', '1.2', '4.2'], ['15', '70', '0.03'], ['8', '5', '0']]
df = pd.DataFrame(a, columns=['one', 'two', 'three'])

df['que'] = np.where((df['one'] >= df['two']) & (df['one'] <= df['three'])
                     , df['one'], np.nan)

rendimenti

  one  two three  que
0  10  1.2   4.2   10
1  15   70  0.03  NaN
2   8    5     0  NaN

Se hai più di una condizione, puoi invece usare np.select . Ad esempio, se desideri df['que']eguagliare df['two']quando df['one'] < df['two'], allora

conditions = [
    (df['one'] >= df['two']) & (df['one'] <= df['three']), 
    df['one'] < df['two']]

choices = [df['one'], df['two']]

df['que'] = np.select(conditions, choices, default=np.nan)

rendimenti

  one  two three  que
0  10  1.2   4.2   10
1  15   70  0.03   70
2   8    5     0  NaN

Se possiamo presumere che df['one'] >= df['two']quando df['one'] < df['two']è False, le condizioni e le scelte potrebbero essere semplificate

conditions = [
    df['one'] < df['two'],
    df['one'] <= df['three']]

choices = [df['two'], df['one']]

(L'assunzione potrebbe non essere vera se df['one']o df['two']contengono NaN.)

Nota che

a = [['10', '1.2', '4.2'], ['15', '70', '0.03'], ['8', '5', '0']]
df = pd.DataFrame(a, columns=['one', 'two', 'three'])

definisce un DataFrame con valori stringa. Dal momento che sembrano numerici, potrebbe essere meglio convertire quelle stringhe in float:

df2 = df.astype(float)

Ciò cambia i risultati, tuttavia, poiché le stringhe confrontano carattere per carattere, mentre i float vengono confrontati numericamente.

In [61]: '10' <= '4.2'
Out[61]: True

In [62]: 10 <= 4.2
Out[62]: False

Puoi usare .equalsper colonne o interi dataframe.

df['col1'].equals(df['col2'])

Se sono uguali, quell'affermazione tornerà True, altrimenti False.

Potresti usare apply () e fare qualcosa di simile

df['que'] = df.apply(lambda x : x['one'] if x['one'] >= x['two'] and x['one'] <= x['three'] else "", axis=1)

o se preferisci non usare un lambda

def que(x):
    if x['one'] >= x['two'] and x['one'] <= x['three']:
        return x['one']
    return ''
df['que'] = df.apply(que, axis=1)

Un modo è utilizzare una serie booleana per indicizzare la colonna df['one']. Questo ti dà una nuova colonna in cui le Truevoci hanno lo stesso valore della stessa riga di df['one']e i Falsevalori sono NaN.

La serie booleana è data solo dalla tua ifdichiarazione (sebbene sia necessario usare al &posto di and):

>>> df['que'] = df['one'][(df['one'] >= df['two']) & (df['one'] <= df['three'])]
>>> df
    one two three   que
0   10  1.2 4.2      10
1   15  70  0.03    NaN
2   8   5   0       NaN

Se desideri che i NaNvalori vengano sostituiti da altri valori, puoi utilizzare il fillnametodo sulla nuova colonna que. Ho usato al 0posto della stringa vuota qui:

>>> df['que'] = df['que'].fillna(0)
>>> df
    one two three   que
0   10  1.2   4.2    10
1   15   70  0.03     0
2    8    5     0     0

Racchiudi ogni singola condizione tra parentesi, quindi utilizza l' &operatore per combinare le condizioni:

df.loc[(df['one'] >= df['two']) & (df['one'] <= df['three']), 'que'] = df['one']

Puoi riempire le righe non corrispondenti semplicemente usando ~(l'operatore "not") per invertire la corrispondenza:

df.loc[~ ((df['one'] >= df['two']) & (df['one'] <= df['three'])), 'que'] = ''

È necessario utilizzare &and ~anziché ande notperché gli operatori &e ~funzionano elemento per elemento.

Il risultato finale:

df
Out[8]: 
  one  two three que
0  10  1.2   4.2  10
1  15   70  0.03    
2   8    5     0  

Utilizzare np.selectse si devono controllare più condizioni dal dataframe e visualizzare una scelta specifica in una colonna diversa

conditions=[(condition1),(condition2)]
choices=["choice1","chocie2"]

df["new column"]=np.select=(condtion,choice,default=)

Nota: il numero di condizioni e il numero di scelte devono corrispondere, ripetere il testo a scelta se per due condizioni diverse si hanno le stesse scelte

Penso che il più vicino all'intuizione dell'OP sia un'istruzione if inline:

df['que'] = (df['one'] if ((df['one'] >= df['two']) and (df['one'] <= df['three']))