使用Python的Pandas实现Case When语句。

在Python的Pandas中，可以使用np.select()方法来实现类似SQL中的Case When语句。下面是一个示例代码：

import pandas as pd
import numpy as np

df = pd.DataFrame({'value': [1, 2, 3, 4, 5]})
conditions = [
    df['value'] < 3,
    df['value'] >= 3
]
choices = [
    'small',
    'large'
]
df['category'] = np.select(conditions, choices, default='unknown')
print(df)

在上面的示例中，我们创建了一个包含`value`列的DataFrame，并根据条件`value<3`和`value>=3`分别赋值为`small`和`large`，最后将结果存储在新的`category`列中。如果条件不匹配，则使用默认值`unknown`。

相关问题

使用Python的Pandas实现Case When语句

在Pandas中，可以使用np.select()函数来实现类似于SQL中的Case When语句。具体实现步骤如下：

1. 导入必要的库

import pandas as pd
import numpy as np

2. 定义条件和结果

conditions = [
    df['column1'] > 0,
    df['column2'] == 'value1',
    df['column3'].isin(['value2', 'value3'])
]

results = [
    'positive',
    'match',
    'in_list'
]

3. 使用np.select()函数进行条件判断

df['new_column'] = np.select(conditions, results, default='other')

以上代码将会在df中新增一个名为"new_column"的列，根据条件判断结果赋予相应的值。

其中，第一个参数为条件列表，第二个参数为结果列表，default参数为默认值（即所有条件都不满足时的返回值）。在条件列表和结果列表中，每个元素的位置是对应的，即第一个条件对应第一个结果，第二个条件对应第二个结果，以此类推。

需要注意的是，条件列表中的每个元素都应该返回一个布尔值，表示该条件是否满足。结果列表中的每个元素可以是任何类型的值，表示该条件满足时需要返回的结果。

python 高效实现case when判断

### Python 中高效实现类似 SQL CASE WHEN 的逻辑

为了在 Python 中模拟 SQL `CASE WHEN` 语句的功能，可以采用多种方法来提高效率并保持代码的可读性和简洁性。以下是几种常见的实现方式：

#### 方法一：使用字典映射
通过构建键值对的方式处理条件判断，能够显著提升性能。

def sql_case_when_dict(value):
    mapping = {
        value < 8000: "Low",
        8000 <= value < 15000: "Medium",
        value >= 15000: "High"
    }
    
    return next((v for k, v in mapping.items() if k), None)

print(sql_case_when_dict(7999))  # Output: Low

这种方法利用了短路求值特性，在找到第一个满足条件的情况后立即返回结果[^1]。

#### 方法二：列表推导式与三元运算符组合
当有多个连续区间时，可以通过列表推导式配合三元表达式快速完成多分支的选择操作。

def sql_case_when_list_comprehension(value):
    conditions = [
        ("Low", value < 8000),
        ("Medium", 8000 <= value < 15000),
        ("High", value >= 15000)
    ]
    
    result = [outcome for outcome, condition in conditions if condition][0]
    return result or 'Unknown'

print(sql_case_when_list_comprehension(16000))  # Output: High

此方案同样适用于较为简单的场景下替代传统的嵌套if-else结构[^2]。

#### 方法三：Pandas 库中的 select 函数
对于数据量较大且需要频繁进行此类转换的任务来说，借助 Pandas 提供的强大功能会更加合适。

import pandas as pd

df = pd.DataFrame({'value': [7000, 14000, 16000]})
choices = ['Low', 'Medium', 'High']
conditions = [
    df['value'] < 8000,
    (df['value'] >= 8000) & (df['value'] < 15000),
    df['value'] >= 15000
]

df['category'] = pd.np.select(conditions, choices, default='Unknown')
print(df[['value', 'category']])

上述代码片段展示了如何应用 Pandas 来批量处理大量记录，并有效减少循环带来的开销[^3]。