Pengindeksan Boolean Panda: Mengapa Menggunakan `&` Daripada `dan`?

Operator Logik untuk Pengindeksan Boolean dalam Panda

Apabila melakukan pengindeksan Boolean dalam Pandas, adalah penting untuk memahami perbezaan antara operator logik & (bitwise AND) dan dan ( logik DAN).

Mengapa Gunakan & over dan untuk Boolean Pengindeksan?

Pertimbangkan contoh berikut:

a = pd.DataFrame({'x': [1, 1], 'y': [10, 20]})

a[(a['x'] == 1) & (a['y'] == 10)]

Kod ini mengembalikan hasil yang dijangkakan:

    x   y
0   1  10

Walau bagaimanapun, jika anda menggunakan dan bukannya &, anda' akan menghadapi ralat:

a[(a['x'] == 1) and (a['y'] == 10)]

ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

Memahami Ralat

Ralat berlaku kerana dan cuba menilai kebenaran setiap Siri secara individu (a['x'] dan a['y']). Walau bagaimanapun, Siri ini tidak mempunyai nilai Boolean yang jelas, yang membawa kepada ralat nilai kebenaran yang tidak jelas.

Sebaliknya, bitwise & operator menjalankan operasi logik mengikut unsur. Ia mengembalikan tatasusunan boolean di mana setiap elemen mewakili hasil operasi antara elemen yang sepadan dalam a['x'] dan a['y']. Ini membolehkan anda mencipta topeng Boolean untuk pengindeksan.

Kurungan: Keperluan Wajib

Perhatikan bahawa adalah wajib untuk menggunakan kurungan apabila menggunakan &. Tanpa mereka, operasi akan dinilai secara salah disebabkan oleh keutamaan pengendali yang lebih tinggi daripada & melebihi ==.

a['x'] == 1 & a['y'] == 10  # Incorrect: Triggers the error

(a['x'] == 1) & (a['y'] == 10)  # Correct: Boolean indexing works as expected

Kesimpulan

Apabila melakukan pengindeksan boolean dalam Pandas, sentiasa gunakan operator & untuk operasi logik mengikut unsur. Ini memastikan penilaian yang betul dan mengelakkan ralat nilai kebenaran yang tidak jelas.

Atas ialah kandungan terperinci Pengindeksan Boolean Panda: Mengapa Menggunakan `&` Daripada `dan`?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!