如果它在熊猫数据框中不是数字，则跳过对行的操作

Question

我有一个数据框：

import pandas as pd
df = pd.DataFrame({'start' : [5, 10, '$%%', 20], 'stop' : [10, 20, 30, 40]})
df['length_of_region'] = pd.Series([0 for i in range(0, len(df['start']))])

我只想计算非零数值行值的区域长度，如果值不正确，则为带有错误注释的行计算跳过函数。这是我目前所拥有的：

df['Notes'] = pd.Series(["" for i in range(0, len(df['region_name']))])

for i in range(0, len(df['start'])):
    if pd.isnull(df['start'][i]) == True:
        df['Notes'][i] += 'Error: Missing value for chromosome start at region %s, required value;' % (df['region_name'][i])
        df['critical_error'][i] = True
        num_error = num_error+1
    else:
        try:
            #print (df['start'][i]).isnumeric()
            start = int(df['start'][i])
            #print start
            #print df['start'][i]
            if start == 0:
                raise ValueError
        except:
            df['Notes'][i] += 'Error: Chromosome start should be a non zero number at region %s; ' % (df['region_name'][i])
            #print df['start'][i]
            df['critical_error'][i] = True
            num_error = num_error+1
for i in range(0, len(df['start'][i])):
    if df['critical_error'][i] == True:
        continue
    df['length_of_region'][i] = (df['stop'][i] - df['start'][i]) + 1.0

但是，pandas 将 df['start'] 转换为 str 变量，即使我使用 int 进行转换，我也会收到以下错误：

df['length_of_region'][i] = (df['stop'][i] - df['start'][i]) + 1.0

TypeError: 不支持的操作数类型 -: 'numpy.int64' 和 'str'

我在这里缺少什么？感谢您的宝贵时间！

Answer 1

盯着代码看了很长一段时间后，找到了一个简单而优雅的修复方法，将df['start'][i]重新分配给start，我在try-except中使用如下：

for i in range(0, len(df['start'])):
    if pd.isnull(df['start'][i]) == True:
        df['Notes'][i] += 'Error: Missing value for chromosome start at region %s, required value;' % (df['region_name'][i])
        df['critical_error'][i] = True
        num_error = num_error+1
    else:
        try:
            start = int(df['start'][i])
            df['start'][i] = start
            if start == 0:
                raise ValueError
        except:
            df['Notes'][i] += 'Error: Chromosome start should be a non zero number at region %s; ' % (df['region_name'][i])
            #print df['start'][i]
            df['critical_error'][i] = True
            num_error = num_error+1
for i in range(0, len(df['start'][i])):
    if df['critical_error'][i] == True:
        continue
    df['length_of_region'][i] = (df['stop'][i] - df['start'][i]) + 1.0

重新分配起始变量，将其转换为 int 格式并帮助计算 length_of_region 仅适用于数字列

Answer 2

您可以定义一个自定义函数来进行计算，然后将该函数应用于每一行。

def calculate_region_length(x):
    start_val = x[0]
    stop_val = x[1]
    try:
        start_val = float(start_val)
        return (stop_val - start_val) + 1.0
    except ValueError:
        return None

自定义函数接受一个列表作为输入。该函数将测试起始值以查看它是否可以转换为浮点数。如果不能，则将返回 None。这样，如果 '1' 存储为字符串，则该值仍然可以转换为浮点数并且不会被跳过，而示例中的 '$%%' 不能并且将返回 None。

接下来为每一行调用自定义函数：

df['length_of_region'] = df[['start', 'stop']].apply(lambda x: calculate_region_legnth(x), axis=1)

这将为start 不是不可转换字符串和None 其中start 是无法转换为数字的字符串的行创建带有(stop - start) + 1.0 的新列。

然后，您可以根据返回 None 的行更新 Notes 字段，以识别缺少起始值的区域：

df.loc[df['length_of_region'].isnull(), 'Notes'] = df['region_name']