python语言 .iterrows() 函数使用

iterrows()函数是Pandas库中的一个函数，用于遍历DataFrame中的每一行数据。它返回一个迭代器，每次迭代都包含该行的索引和数据。例如：

import pandas as pd

data = pd.DataFrame({'col1': [1, 2], 'col2': [3, 4]})

for idx, row in data.iterrows():
print(idx, row['col1'], row['col2'])

输出：
0 1 3
1 2 4

相关问题

使用Python语言pandas库将数据带格式填入word模板

要使用Python中的`pandas`库将数据带格式填入Word模板，可以结合使用`python-docx`和`pandas`库来实现。下面是一个示例代码：

from docx import Document
from docx.shared import Pt
import pandas as pd

def fill_word_template(template_file, output_file, data):
    # 打开模板文件
    doc = Document(template_file)

    # 查找表格
    tables = doc.tables
    if len(tables) == 0:
        raise ValueError("模板中没有表格")

    # 获取表格的列数
    column_count = len(tables[0].columns)

    # 将数据填充到表格中
    for index, row_data in data.iterrows():
        # 在表格末尾添加一行
        new_row = tables[0].add_row().cells

        # 填充数据到新行中的每个单元格
        for i in range(column_count):
            cell = new_row[i]
            cell.text = str(row_data[i])

            # 设置单元格格式（例如字体大小）
            run = cell.paragraphs[0].runs[0]
            run.font.size = Pt(12)

    # 保存填充后的文件
    doc.save(output_file)

# 示例数据
data = pd.DataFrame({
    '姓名': ['张三', '李四', '王五'],
    '年龄': [25, 30, 35],
    '邮箱': ['zhangsan@example.com', 'lisi@example.com', 'wangwu@example.com']
})

# 调用函数填充模板
fill_word_template('template.docx', 'output.docx', data)

在上面的示例中，我们假设模板中只有一个表格。首先，我们打开模板文件，并获取表格的列数。然后，使用`iterrows()`函数遍历数据中的每一行，将每个单元格的值填充到新行中的对应单元格中。同时，可以设置单元格的格式，例如字体大小。最后，保存填充后的文件。

请注意，示例数据使用了`pandas`库的`DataFrame`来表示表格数据，可以根据实际情况修改示例数据以适应自己的数据结构。

改成python语言，进行决策分析

在Python中进行类似决策分析，可以使用pandas库处理决策数据，numpy库进行数值计算，以及if-elif-else结构进行条件判断。这里假设你已经有了类似上述的决策描述和成本矩阵，我们将首先创建一个DataFrame存储决策选项，然后遍历每个决策并计算相应的总成本。

import pandas as pd
import numpy as np

# 创建决策矩阵和成本矩阵
decisions = pd.DataFrame({
    'Option 1': ['不检测', '不检测', '不检测', '拆解'],
    'Option 2': ['不检测', '不检测', '检测', '拆解'],
    # ... 以此类推，直到第16种决策
})

# 假设total_costs是一个二维数组，存储了所有决策的成本
total_costs = np.zeros((1, len(decisions)), dtype=int)

# 定义一个函数来根据决策计算总成本
def calculate_total_cost(row):
    cost_dict = {
        '不检测': 0,
        '拆解': 1  # 这里可以根据实际成本设定值
    }
    return sum(cost_dict[option] for option in row)

# 遍历决策矩阵，计算并更新总成本
for index, decision_row in decisions.iterrows():
    total_costs[0][index] = calculate_total_cost(decision_row)

print("决策成本矩阵：")
print(total_costs)

在这个例子中，我们假设决策是以字符串的形式列出的，每个决策对应一个DataFrame行。然后，我们遍历DataFrame，根据每个决策字符串的选项计算对应的成本，并累加到总成本矩阵。