根据条件增加DataFrame的列

编译：老齐

与本文有关的图书推荐：《跟老齐学Python：数据分析》

---

当我们使用Python进行数据分析时，有时可能需要向DataFrame添加列，所添加的列要基于DataFrame的其他列的值。

虽然这听起来很简单，但是，不少初学想到的是用if-else条件语句来实现，这就把问题搞复杂了。有一个简单又有效的方法，下面就来看看这种方法如何使用。

加载一个数据集。

import pandas as pd
import numpy as np

df = pd.read_csv('dataquest_tweets_csv.csv')
df.head()

数据集的各个特征含义是：

• date：推文的发布日期
• time：推文发布的时间
• tweet：推文的文本内容
• mentions：推文中提到的其他推特用户
• photos：推文中所有图像的网址
• replies_count：推文的回复数
• retweets_count：推文的转发次数
• likes_count：推文的点赞数

注意，photos特征的数据格式有点怪。

添加一列

在接下来的数据分析中，我们要看看带有图像的推文是否更吸引人，因此，实际上不需要图像文件的地址，只需要有一个特征，用以标明该样本是否含有图像即可。于是，创建一个名为hasimage的列，其中的值为：True——包含图像，False——不包含图像。

为此，使用Numpy的内置where()函数。这个函数依次接受三个参数：条件；如果条件为真，分配给新列的值；如果条件为假，分配给新列的值。

np.where(condition, value if condition is true, value if condition is false)

在数据集中，没有图像的推文在photos列中的值总是[]。

df['hasimage'] = np.where(df['photos']!= '[]', True, False)
df.head()

如此，在数据集中新增加了一列，并且它正确地将包含图像的推文标记为True，其他的标记为False。

现在已经有了hasimage列。再将有图文和无图文的两种类型的样本分别筛选出来：

image_tweets = df[df['hasimage'] == True]
no_image_tweets = df[df['hasimage'] == False]

然后比较两类推文平均点赞数。

## LIKES
print('Average likes, all tweets: ' + str(df['likes_count'].mean()))
print('Average likes, image tweets: ' + str(image_tweets['likes_count'].mean()))
print('Average likes, no image tweets: ' + str(no_image_tweets['likes_count'].mean()))
print('\n')

## RETWEETS
print('Average RTs, all tweets: ' + str(df['retweets_count'].mean()))
print('Average RTs, image tweets: ' + str(image_tweets['retweets_count'].mean()))
print('Average RTs, no image tweets: ' + str(no_image_tweets['retweets_count'].mean()))

Average likes, all tweets: 6.209759328770148
Average likes, image tweets: 14.21042471042471
Average likes, no image tweets: 5.176514584891549


Average RTs, all tweets: 1.5553102230072864
Average RTs, image tweets: 3.5386100386100385
Average RTs, no image tweets: 1.2991772625280478

看来，有图像似乎可以让更多人来点赞。

再复杂一些

如果我们根据点赞的数量，将样本划分出不同等级，如：

• tier_4 — 2个或更少的赞数
• tier_3 — 3-9个赞数
• tier_2 — 10-15个赞数
• tier_1 — 16个以上的赞数

为此，使用一个名为np.select()的函数，给它提供两个参数：一个条件，另一个对应的等级列表。在conditions列表中的第一个条件得到满足，values列表中的第一个值将作为新特征中该样本的值，以此类推。具体代码如下：

# create a list of our conditions
conditions = [
    (df['likes_count'] <= 2),
    (df['likes_count'] > 2) & (df['likes_count'] <= 9),
    (df['likes_count'] > 9) & (df['likes_count'] <= 15),
    (df['likes_count'] > 15)
    ]

# create a list of the values we want to assign for each condition
values = ['tier_4', 'tier_3', 'tier_2', 'tier_1']

# create a new column and use np.select to assign values to it using our lists as arguments
df['tier'] = np.select(conditions, values)

# display updated DataFrame
df.head()

这样，特征tier就标记了样本的等级，也可以理解为将样本离散化。于是，可以用它来回答与数据集有关的更多问题。例如：第1级和第4级有百分之多少的推文带有图像?

#tier 4 tweets
df[(df['tier'] == 'tier_4')]['hasimage'].value_counts(normalize=True)

False    0.948784
True     0.051216
Name: hasimage, dtype: float64

#tier 1 tweets
df[(df['tier'] == 'tier_1')]['hasimage'].value_counts(normalize=True)

False    0.836842
True     0.163158
Name: hasimage, dtype: float64

在这里，我们可以看到，虽然图像似乎有助于吸引关注，但它们似乎不是成功的必要条件。超过83%的“一级”推文——有16个以上点赞的推文——没有附带图片。

虽然这是一个非常肤浅的分析，但我们已经实现了真正的目标：根据已知数据的条件向DataFrame添加列。

当然，这是一项可以通过多种方式来完成的任务。np.where()和np.select()只是其中的两种。这方面更多的内容，可以参考《跟老齐学Python：数据分析》一书。