Python酷库之旅-第三方库Pandas(051)

笑侃网事

目录一、用法精讲186、pandas.Series.is_monotonic_increasing属性186-1、语法186-2、参数186-3、功能186-4、返回值186-5、说明186-6、用法186-6-1、数据准备186-6-2、代码示例186-6-3、结果输出187、pandas.Series.is_monotonic_decreasing属性187-1、语法187-2、参数187-3、功能187-4、返回值187-5、说明187-6、用法187-6-1、数据准备187-6-2、代码示例187-6-3、结果输出188、pandas.Series.value_counts方法188-1、语法188-2、参数188-3、功能188-4、返回值188-5、说明188-6、用法188-6-1、数据准备188-6-2、代码示例188-6-3、结果输出189、pandas.Series.align方法189-1、语法189-2、参数189-3、功能189-4、返回值189-5、说明189-6、用法189-6-1、数据准备189-6-2、代码示例189-6-3、结果输出190、pandas.Series.case_when方法190-1、语法190-2、参数190-3、功能190-4、返回值190-5、说明190-6、用法190-6-1、数据准备190-6-2、代码示例190-6-3、结果输出二、推荐阅读1、Python筑基之旅2、Python函数之旅3、Python算法之旅4、Python魔法之旅5、博客个人主页一、用法精讲186、pandas.Series.is_monotonic_increasing属性186-1、语法#186、pandas.Series.is_monotonic_increasing属性propertypandas.Series.is_monotonic_increasingReturnbooleanifvaluesintheobjectaremonotonicallyincreasing.Returns:bool186-2、参数        无186-3、功能        用于判断系列中的值是否按非递减顺序排列。186-4、返回值        返回一个布尔值，如果系列中的值是单调递增的(即每个值都大于或等于前一个值)，返回True；如果系列中的值不是单调递增的，返回False。186-5、说明        在数据分析过程中，该属性可以用来快速检查数据的趋势，例如时间序列数据是否按时间递增、价格数据是否持续上升等。186-6、用法186-6-1、数据准备无186-6-2、代码示例#186、pandas.Series.is_monotonic_increasing属性importpandasaspd#创建一个单调递增的系列data_increasing=pd.Series([1,2,3,4,5])#判断系列中的值是否单调递增is_monotonic_increasing=data_increasing.is_monotonic_increasingprint(f"系列值是否单调递增:{is_monotonic_increasing}")#创建一个非单调递增的系列data_not_increasing=pd.Series([1,3,2,4,5])#判断系列中的值是否单调递增is_monotonic_increasing=data_not_increasing.is_monotonic_increasingprint(f"系列值是否单调递增:{is_monotonic_increasing}")186-6-3、结果输出#186、pandas.Series.is_monotonic_increasing属性#系列值是否单调递增:True#系列值是否单调递增:False187、pandas.Series.is_monotonic_decreasing属性187-1、语法#187、pandas.Series.is_monotonic_decreasing属性propertypandas.Series.is_monotonic_decreasingReturnbooleanifvaluesintheobjectaremonotonicallydecreasing.Returns:bool187-2、参数    无187-3、功能        用于判断系列中的值是否按递减顺序排列。187-4、返回值        返回一个布尔值，如果系列中的值是单调递减的(即每个值都小于或等于前一个值)，返回True；如果系列中的值不是单调递减的，返回False。187-5、说明        在数据分析过程中，该属性可以用来快速检查数据的趋势，例如库存数据是否持续减少、销售数据是否下降等。187-6、用法187-6-1、数据准备无187-6-2、代码示例#187、pandas.Series.is_monotonic_decreasing属性importpandasaspd#创建一个单调递减的系列data_decreasing=pd.Series([5,4,3,2,1])#判断系列中的值是否单调递减is_monotonic_decreasing=data_decreasing.is_monotonic_decreasingprint(f"系列值是否单调递减:{is_monotonic_decreasing}")#创建一个非单调递减的系列data_not_decreasing=pd.Series([5,3,4,2,1])#判断系列中的值是否单调递减is_monotonic_decreasing=data_not_decreasing.is_monotonic_decreasingprint(f"系列值是否单调递减:{is_monotonic_decreasing}")187-6-3、结果输出#187、pandas.Series.is_monotonic_decreasing属性#系列值是否单调递减:True#系列值是否单调递减:False188、pandas.Series.value_counts方法188-1、语法#188、pandas.Series.value_counts方法pandas.Series.value_counts(normalize=False,sort=True,ascending=False,bins=None,dropna=True)ReturnaSeriescontainingcountsofuniquevalues.Theresultingobjectwillbeindescendingordersothatthefirstelementisthemostfrequently-occurringelement.ExcludesNAvaluesbydefault.Parameters:normalizebool,defaultFalseIfTruethentheobjectreturnedwillcontaintherelativefrequenciesoftheuniquevalues.sortbool,defaultTrueSortbyfrequencieswhenTrue.PreservetheorderofthedatawhenFalse.ascendingbool,defaultFalseSortinascendingorder.binsint,optionalRatherthancountvalues,groupthemintohalf-openbins,aconvenienceforpd.cut,onlyworkswithnumericdata.dropnabool,defaultTrueDon’tincludecountsofNaN.Returns:Series188-2、参数188-2-1、normalize(可选，默认值为False)：如果设置为True，返回每个唯一值的相对频率；否则返回绝对值的计数。188-2-2、sort(可选，默认值为True)：如果设置为True，结果按计数值排序；如果设置为False，则按唯一值本身排序。188-2-3、ascending(可选，默认值为False)：如果设置为True，结果按升序排序；如果设置为False(默认值)，则按降序排序。188-2-4、bins(可选，默认值为None)：如果设置为整数，则会将数据分成相应数量的区间，并返回每个区间的计数。188-2-5、dropna(可选，默认值为True)：如果设置为True(默认值)，则不计算NaN值；如果设置为False，则包括NaN值的计数。188-3、功能188-3-1、计数每个唯一值的出现次数：默认情况下，返回每个唯一值的绝对频率。188-3-2、排序：默认按计数值降序排列，但可以通过参数设置为升序或按唯一值本身排序。188-3-3、相对频率：通过设置normalize=True，可以返回每个唯一值的相对频率(比例)。188-3-4、分箱：通过设置bins参数，可以将数据分成若干区间，并返回每个区间的计数。188-3-5、处理缺失值：默认情况下，NaN值不包括在计数中，但可以通过设置dropna=False包括NaN值的计数。188-4、返回值        返回一个pandas.Series对象，索引是原始Series中的唯一值(或区间)，值是每个唯一值(或区间)的计数。188-5、说明        使用场景：188-5-1、探索性数据分析(EDA)：在数据分析的初始阶段，使用value_counts()可以快速了解数据的分布情况。例如，分析客户年龄分布、产品销售量分布等。188-5-2、数据清洗：在处理缺失值和重复值时，可以使用value_counts()找出异常值或频次较低的值，从而帮助清洗数据。188-5-3、分类数据分析：对于分类变量(如性别、地区、职业等)，可以使用value_counts()计算每个类别的频次，以便进一步的统计分析或可视化。188-5-4、数据验证：在数据验证过程中，使用value_counts()可以检查数据是否符合预期分布，例如检查试验组和对照组的样本量是否均衡。188-5-5、异常检测：通过value_counts()计算频次，识别出频次异常的值，有助于发现数据中的潜在问题或异常情况。188-5-6、特征工程：在特征工程中，可以使用value_counts()生成新的特征，例如，计算某个特征的出现次数，并将其作为新的特征添加到数据集中。188-5-7、文本数据分析：在自然语言处理任务中，可以使用value_counts()统计词频，分析文本数据的关键词或常用词。188-5-8、时间序列分析：对于时间序列数据，可以使用value_counts()统计不同时间段内事件的发生频次，例如统计每月的销售订单数量。188-5-9、用户行为分析：在用户行为分析中，使用value_counts()可以统计用户的操作频次，例如统计用户登录、点击、购买等行为的次数。188-6、用法188-6-1、数据准备无188-6-2、代码示例#188、pandas.Series.value_counts方法#188-1、基本用法importpandasaspddata=pd.Series([1,2,2,3,3,3,4,4,4,4])counts=data.value_counts()print(counts,end='\n\n')#188-2、返回相对频率importpandasaspddata=pd.Series([1,2,2,3,3,3,4,4,4,4])counts_normalized=data.value_counts(normalize=True)print(counts_normalized,end='\n\n')#188-3、按升序排列importpandasaspddata=pd.Series([1,2,2,3,3,3,4,4,4,4])counts_ascending=data.value_counts(ascending=True)print(counts_ascending,end='\n\n')#188-4、分箱计数importpandasaspddata=pd.Series([1,2,2,3,3,3,4,4,4,4])counts_bins=data.value_counts(bins=3)print(counts_bins,end='\n\n')#188-5、包括NaN值的计数importpandasaspddata_with_nan=pd.Series([1,2,2,3,3,3,4,4,4,4,None])counts_with_nan=data_with_nan.value_counts(dropna=False)print(counts_with_nan)188-6-3、结果输出#188、pandas.Series.value_counts方法#188-1、基本用法#44#33#22#11#Name:count,dtype:int64#188-2、返回相对频率#40.4#30.3#20.2#10.1#Name:proportion,dtype:float64#188-3、按升序排列#11#22#33#44#Name:count,dtype:int64#188-4、分箱计数#(3.0,4.0]4#(0.996,2.0]3#(2.0,3.0]3#Name:count,dtype:int64#188-5、包括NaN值的计数#4.04#3.03#2.02#1.01#NaN1#Name:count,dtype:int64189、pandas.Series.align方法189-1、语法#189、pandas.Series.align方法pandas.Series.align(other,join='outer',axis=None,level=None,copy=None,fill_value=None,method=_NoDefault.no_default,limit=_NoDefault.no_default,fill_axis=_NoDefault.no_default,broadcast_axis=_NoDefault.no_default)Aligntwoobjectsontheiraxeswiththespecifiedjoinmethod.JoinmethodisspecifiedforeachaxisIndex.ParameterstherDataFrameorSeriesjoin{‘outer’,‘inner’,‘left’,‘right’},default‘outer’Typeofalignmenttobeperformed.left:useonlykeysfromleftframe,preservekeyorder.right:useonlykeysfromrightframe,preservekeyorder.outer:useunionofkeysfrombothframes,sortkeyslexicographically.inner:useintersectionofkeysfrombothframes,preservetheorderoftheleftkeys.axisallowedaxisoftheotherobject,defaultNoneAlignonindex(0),columns(1),orboth(None).levelintorlevelname,defaultNoneBroadcastacrossalevel,matchingIndexvaluesonthepassedMultiIndexlevel.copybool,defaultTrueAlwaysreturnsnewobjects.Ifcopy=Falseandnoreindexingisrequiredthenoriginalobjectsarereturned.NoteThecopykeywordwillchangebehaviorinpandas3.0.Copy-on-Writewillbeenabledbydefault,whichmeansthatallmethodswithacopykeywordwillusealazycopymechanismtodeferthecopyandignorethecopykeyword.Thecopykeywordwillberemovedinafutureversionofpandas.Youcanalreadygetthefuturebehaviorandimprovementsthroughenablingcopyonwritepd.options.mode.copy_on_write=Truefill_valuescalar,defaultnp.nanValuetouseformissingvalues.DefaultstoNaN,butcanbeany“compatible”value.method{‘backfill’,‘bfill’,‘pad’,‘ffill’,None},defaultNoneMethodtouseforfillingholesinreindexedSeries:pad/ffill:propagatelastvalidobservationforwardtonextvalid.backfill/bfill:useNEXTvalidobservationtofillgap.Deprecatedsinceversion2.1.limitint,defaultNoneIfmethodisspecified,thisisthemaximumnumberofconsecutiveNaNvaluestoforward/backwardfill.Inotherwords,ifthereisagapwithmorethanthisnumberofconsecutiveNaNs,itwillonlybepartiallyfilled.Ifmethodisnotspecified,thisisthemaximumnumberofentriesalongtheentireaxiswhereNaNswillbefilled.Mustbegreaterthan0ifnotNone.Deprecatedsinceversion2.1.fill_axis{0or‘index’}forSeries,{0or‘index’,1or‘columns’}forDataFrame,default0Fillingaxis,methodandlimit.Deprecatedsinceversion2.1.broadcast_axis{0or‘index’}forSeries,{0or‘index’,1or‘columns’}forDataFrame,defaultNoneBroadcastvaluesalongthisaxis,ifaligningtwoobjectsofdifferentdimensions.Deprecatedsinceversion2.1.Returns:tupleof(Series/DataFrame,typeofother)Alignedobjects.189-2、参数189-2-1、other(必须)：Series或DataFrame，表示需要与调用该方法的对象对齐的另一个对象。189-2-2、join(可选，默认值为'outer')：{'outer','inner','left','right'}，指定对齐方式。189-2-2-1、'outer':返回两个对象的并集，包含所有索引。189-2-2-2、'inner':返回两个对象的交集，仅包含共同的索引。189-2-2-3、'left':返回左侧对象的所有索引，缺失的右侧对象的索引用NaN填充。189-2-2-4、'right':返回右侧对象的所有索引，缺失的左侧对象的索引用NaN填充。189-2-3、axis(可选，默认值为None)：整数或字符串，仅在DataFrame中有效，指明对齐的轴，0表示行，1表示列。189-2-4、level(可选，默认值为None)：整数或字符串，如果对象是多层索引，可以使用此参数指定对齐的层次。189-2-5、copy(可选，默认值为None)：如果为True，则返回的对象会复制；如果为False，则返回的对象可能共享数据；如果为None，则根据数据的情况决定是否复制。189-2-6、fill_value(可选，默认值为None)：标量值，如果需要填充缺失的值，可以指定一个填充值。189-2-7、method(可选)：字符串，指定用于填充缺失数据的方法，如'pad'(前向填充)或者'backfill'(后向填充)，如果不提供，默认不填充。189-2-8、limit(可选)：整数，用于限制填充的最大数量。189-2-9、fill_axis(可选)：整数或字符串，指定用于填充缺失值的轴，仅在DataFrame中有效。189-2-10、broadcast_axis(可选)：整数或字符串，指定用于广播操作的轴。189-3、功能        对齐两个对象，使它们的索引对齐，并允许用户选择如何处理缺失的值。189-4、返回值        返回一个元组，包含对齐后的两个对象，形如(left,right)：left是对齐后的左侧对象。right是对齐后的右侧对象。        如果fill_value被指定，而某些索引无法对齐，则缺失的部分将被填充为指定的值。189-5、说明        使用场景：189-5-1、数据合并与连接：在处理来自不同数据源的数据时，可能需要将它们合并成一个统一的格式，使用align可以确保所有数据都以相同的索引对齐，从而方便后续处理。189-5-2、时间序列分析：在时间序列数据中，不同的时间序列可能会有不同的时间索引，使用align方法可以对齐它们，使得每个时间点的值能够方便地进行比较和计算。189-5-3、数据补齐与填充：当某些数据缺失时，可以使用align方法结合fill_value进行补齐，确保后续分析时不会因为缺失值而出现错误。189-5-4、计算与比较：在进行计算(如差异计算、比例计算等)时，需要对齐各个数据列的索引，使用align方法可以保证参与计算的数据都是对齐的，从而得到合理的结果。189-5-5、处理多层索引：对于具有多层索引的Series或DataFrame，可以利用level参数对特定层次进行对齐，便于复杂数据结构的操作。189-5-6、数据清理：在清理数据时，需要处理不一致的索引，在删减或重塑数据时，使用align可以确保所有列都有相同的索引结构。189-6、用法189-6-1、数据准备无189-6-2、代码示例#189、pandas.Series.align方法#189-1、合并不同客户的销售数据importpandasaspd#创建两个不同的销售数据Seriessales_jan=pd.Series([200,300],index=['Alice','Bob'])sales_feb=pd.Series([150,400,250],index=['Alice','Charlie','Bob'])#使用align方法对齐两个Seriesaligned_jan,aligned_feb=sales_jan.align(sales_feb,join='outer',fill_value=0)print("对齐后的1月销售数据：")print(aligned_jan)print("\n对齐后的2月销售数据：")print(aligned_feb)#计算每个客户在1月和2月的销售总额total_sales=aligned_jan+aligned_febprint("\n客户总销售额：")print(total_sales,end='\n\n')#189-2、时间序列对比importpandasaspd#创建两个时间序列数据Seriestemperature=pd.Series([22,24,23],index=pd.date_range('2023-01-01',periods=3))humidity=pd.Series([30,32],index=pd.date_range('2023-01-01',periods=2))#使用align方法对齐两个时间序列aligned_temp,aligned_hum=temperature.align(humidity,join='inner')print("对齐后的温度数据：")print(aligned_temp)print("\n对齐后的湿度数据：")print(aligned_hum)#计算温度与湿度的关系correlation=aligned_temp.corr(aligned_hum)print(f"\n温度与湿度的相关性：{correlation}",end='\n\n')#189-3、处理多层索引importpandasaspd#创建多层索引的Seriesindex=pd.MultiIndex.from_tuples([('A',1),('A',2),('B',1),('B',2)])data1=pd.Series([10,20,30,40],index=index)index2=pd.MultiIndex.from_tuples([('A',1),('B',1),('B',3)])data2=pd.Series([5,25,15],index=index2)#对齐多层索引的Seriesaligned_data1,aligned_data2=data1.align(data2,join='outer',fill_value=0)print("对齐后的第一组数据：")print(aligned_data1)print("\n对齐后的第二组数据：")print(aligned_data2)#计算对齐后数据的和sum_data=aligned_data1+aligned_data2print("\n对齐后数据的和：")print(sum_data,end='\n\n')#189-4、数据清理与补齐importpandasaspd#创建带有缺失值的Seriesdata1=pd.Series([1,2,None,4],index=['A','B','C','D'])data2=pd.Series([None,2,3,None],index=['A','B','C','E'])#对齐两个Series，使用fill_value填充缺失值aligned_data1,aligned_data2=data1.align(data2,join='outer',fill_value=0)print("对齐后的数据1：")print(aligned_data1)print("\n对齐后的数据2：")print(aligned_data2)#计算补齐后的总和total=aligned_data1+aligned_data2print("\n补齐后的数据总和：")print(total,end='\n\n')#189-5、数据比较importpandasaspd#创建两个带有不同客户的销售数据Seriessales_last_month=pd.Series([300,500,200],index=['Alice','Bob','Charlie'])sales_this_month=pd.Series([350,450,300,100],index=['Alice','Bob','David','Charlie'])#对齐两个Seriesaligned_last_month,aligned_this_month=sales_last_month.align(sales_this_month,join='outer',fill_value=0)print("上个月的销售数据：")print(aligned_last_month)print("\n这个月的销售数据：")print(aligned_this_month)#计算销售增长sales_growth=aligned_this_month-aligned_last_monthprint("\n销售增长(这个月-上个月)：")print(sales_growth,end='\n\n')#189-6、索引重命名与对齐importpandasaspd#创建两个带有不同索引的Seriesdata_a=pd.Series([5,10,15],index=['x','y','z'])data_b=pd.Series([1,2,3],index=['y','z','w'])#重命名索引以便于理解data_a.index=['Item_A1','Item_A2','Item_A3']data_b.index=['Item_B1','Item_B2','Item_B3']#使用align方法对齐aligned_a,aligned_b=data_a.align(data_b,join='outer',fill_value=0)print("对齐后的数据A：")print(aligned_a)print("\n对齐后的数据B：")print(aligned_b)#计算A和B的和total_data=aligned_a+aligned_bprint("\n对齐后数据A和B的和：")print(total_data,end='\n\n')#189-7、填补缺失数据importpandasaspd#创建一个带有缺失值的Seriesseries_a=pd.Series([1,2,3,None],index=['A','B','C','D'])series_b=pd.Series([None,2,None,4,5],index=['A','B','C','E','F'])#对齐两个Series，使用fill_value填充缺失值aligned_a,aligned_b=series_a.align(series_b,join='outer',fill_value=0)print("对齐后的数据A：")print(aligned_a)print("\n对齐后的数据B：")print(aligned_b)#计算合并后的序列总和filled_data=aligned_a+aligned_bprint("\n填补缺失值后的数据总和：")print(filled_data,end='\n\n')#189-8、在数据科学项目中的应用importpandasaspd#创建Product价格数据和销量数据prices=pd.Series([100,150,200],index=['Product_A','Product_B','Product_C'])sales=pd.Series([10,5,8,3],index=['Product_A','Product_B','Product_D','Product_C'])#对齐价格和销量数据aligned_prices,aligned_sales=prices.align(sales,join='outer',fill_value=0)print("对齐后的价格数据：")print(aligned_prices)print("\n对齐后的销量数据：")print(aligned_sales)#计算每个产品的销售收入revenue=aligned_prices*aligned_salesprint("\n每个产品的销售收入：")print(revenue,end='\n\n')189-6-3、结果输出#189、pandas.Series.align方法#189-1、合并不同客户的销售数据#对齐后的1月销售数据：#Alice200.0#Bob300.0#Charlie0.0#dtype:float64##对齐后的2月销售数据：#Alice150#Bob250#Charlie400#dtype:int64##客户总销售额：#Alice350.0#Bob550.0#Charlie400.0#dtype:float64#189-2、时间序列对比#对齐后的温度数据：#2023-01-0122#2023-01-0224#Freq,dtype:int64##对齐后的湿度数据：#2023-01-0130#2023-01-0232#Freq,dtype:int64##温度与湿度的相关性：0.9999999999999999#189-3、处理多层索引#对齐后的第一组数据：#A110.0#220.0#B130.0#240.0#30.0#dtype:float64##对齐后的第二组数据：#A15.0#20.0#B125.0#20.0#315.0#dtype:float64##对齐后数据的和：#A115.0#220.0#B155.0#240.0#315.0#dtype:float64#189-4、数据清理与补齐#对齐后的数据1：#A1.0#B2.0#C0.0#D4.0#E0.0#dtype:float64##对齐后的数据2：#A0.0#B2.0#C3.0#D0.0#E0.0#dtype:float64##补齐后的数据总和：#A1.0#B4.0#C3.0#D4.0#E0.0#dtype:float64#189-5、数据比较#上个月的销售数据：#Alice300.0#Bob500.0#Charlie200.0#David0.0#dtype:float64##这个月的销售数据：#Alice350#Bob450#Charlie100#David300#dtype:int64##销售增长(这个月-上个月)：#Alice50.0#Bob-50.0#Charlie-100.0#David300.0#dtype:float64#189-6、索引重命名与对齐#对齐后的数据A：#Item_A15.0#Item_A210.0#Item_A315.0#Item_B10.0#Item_B20.0#Item_B30.0#dtype:float64##对齐后的数据B：#Item_A10.0#Item_A20.0#Item_A30.0#Item_B11.0#Item_B22.0#Item_B33.0#dtype:float64##对齐后数据A和B的和：#Item_A15.0#Item_A210.0#Item_A315.0#Item_B11.0#Item_B22.0#Item_B33.0#dtype:float64#189-7、填补缺失数据#对齐后的数据A：#A1.0#B2.0#C3.0#D0.0#E0.0#F0.0#dtype:float64##对齐后的数据B：#A0.0#B2.0#C0.0#D0.0#E4.0#F5.0#dtype:float64##填补缺失值后的数据总和：#A1.0#B4.0#C3.0#D0.0#E4.0#F5.0#dtype:float64#189-8、在数据科学项目中的应用#对齐后的价格数据：#Product_A100.0#Product_B150.0#Product_C200.0#Product_D0.0#dtype:float64##对齐后的销量数据：#Product_A10#Product_B5#Product_C3#Product_D8#dtype:int64##每个产品的销售收入：#Product_A1000.0#Product_B750.0#Product_C600.0#Product_D0.0#dtype:float64190、pandas.Series.case_when方法190-1、语法#190、pandas.Series.case_when方法pandas.Series.case_when(caselist)ReplacevalueswheretheconditionsareTrue.Parameters:caselistAlistoftuplesofconditionsandexpectedreplacementsTakestheformcondition0,replacement0),(condition1,replacement1),….conditionshouldbea1-Dbooleanarray-likeobjectoracallable.Ifconditionisacallable,itiscomputedontheSeriesandshouldreturnabooleanSeriesorarray.ThecallablemustnotchangetheinputSeries(thoughpandasdoesn`tcheckit).replacementshouldbea1-Darray-likeobject,ascalaroracallable.Ifreplacementisacallable,itiscomputedontheSeriesandshouldreturnascalarorSeries.ThecallablemustnotchangetheinputSeries(thoughpandasdoesn`tcheckit).Newinversion2.2.0.Returns:Series190-2、参数190-2-1、caselist(必须)：一个包含条件和值的列表，每个元素都是一个元组(condition,value)，其中，condition是一个返回布尔值的表达式或函数，用于判断条件是否满足；value是当条件满足时返回的值。190-3、功能        根据一系列条件来设置Series中每个元素的值，并返回一个新的Series。190-4、返回值    返回一个新的Series对象。190-5、说明    无190-6、用法190-6-1、数据准备无190-6-2、代码示例#190、pandas.Series.case_when方法importpandasaspdc=pd.Series([6,7,8,9],name='c')a=pd.Series([0,0,1,2])b=pd.Series([0,3,4,5])c.case_when(caselist=[(a.gt(0),a),(b.gt(0),b)])print(c)190-6-3、结果输出#190、pandas.Series.case_when方法#06#17#28#39#Name:c,dtype:int64二、推荐阅读1、Python筑基之旅2、Python函数之旅3、Python算法之旅4、Python魔法之旅5、博客个人主页