通过切换列名来移动熊猫系列值？

Question

我有一个 DF，但是某些系列的最后一个值应该放在另一个系列中。发生这种情况是由于列名未标准化 - 即，有些是“Wx_y_x_PRED”，有些是“Wx_x_y_PRED”。我很难编写一个函数来简单地找到 >= 225 NaN 的列并更改它分配到的列。

我编写了一个函数，由于某种原因，它有时可以工作，有时不能。当它这样做时，它会进一步创建大约 850 列（OG 数据帧大约为 420 列，其中包含重复的列）。我希望有一些东西可以重新分配价值。如果它会自动删除不正确的列，那也很棒，但是当我的函数最初工作时，我只是使用了 .dropna(thresh = 2) 。

这是它最初的样子：

in: df = pd.DataFrame(data = {'W10_IND_JAC_PRED': ['NaN','NaN','NaN','NaN','NaN',2],
                      'W10_JAC_IND_PRED': [1,2,1,2,1,'NAN']})
out:df
W10_IND_JAC_PRED    W10_JAC_IND_PRED
0   NaN                   1
1   NaN                   2
2   NaN                   1
3   NaN                   2
4   NaN                   1
W   2                   NAN

我写了这个，它偶尔会起作用，但大多数时候不起作用，我不知道为什么。

def switch_cols(x):
    """Takes mismatched columns (where only the last value != NaN) and changes order of team column names"""
    if x.isna().sum() == 5:
        col_string = x.name.split('_')
        col_to_switch = ('_').join([col_string[0],col_string[2],col_string[1],'PRED'])
        df[col_to_switch]['row_name'] = x[-1]
    else:
        pass    
    return x

大多数时候它只是返回给我完全相同的 DF，但这是预期的结果。

W10_IND_JAC_PRED    W10_JAC_IND_PRED
0   NaN                   1
1   NaN                   2
2   NaN                   1
3   NaN                   2
4   NaN                   1
W   2                     2

任何人有任何提示或可以分享为什么我的功能可能在 10% 的时间内有效？

编辑：

所以这是我写的一个丑陋的“for”循环，它有效。不过，我知道在保留原始列名的同时必须有一种更 Pythonic 的方式来做到这一点。

for i in range(df.shape[1]): if df.iloc[:,i].isna().sum() == 5: split_nan_col = df.columns[i].split('_') correct_col_name = ('_').join([split_nan_col[0],split_nan_col[2],split_nan_col[1],split_nan_col[3]]) df.loc[5,correct_col_name] = df.loc[5,df.columns[i]] else: pass

Answer 1

在frozenset之前使用split（将返回订单列表），然后我们使用join：注意这个解决方案可以应用于更多列

df.columns=df.columns.str.split('_').map(frozenset).map('_'.join)
df.mask(df=='NaN').groupby(level=0,axis=1).first() # groupby first will return the first not null value 
   PRED_JAC_W10_IND
0                 1
1                 2
2                 1
3                 2
4                 1
5                 2