Python 中的语句嵌套大小写
Nested Case when statements in Python
以下代码在 SAS 中创建名为“Flagged”的列:
Case When t3.Proportion=. then case when t3.'Standardised proportion'n >t1.SigmaMultiple Then 1 else 0
End
Else
Case When t3.Proportion=. and abs(t3.'Standardised proportion'n) > t1.SigmaMultiple Then 1 Else 0
End
End
我试图在 python 中复制它,通常我会做一个条件代码,但是嵌套的 Case when aspect 让我感到困惑。
我试过但似乎不匹配的代码:
conditions =[
((dfSigmamissing['Proportion'] == 0) & (dfSigmamissing['SP'] > dfSigmamissing['SigmaMultiple'])),
((dfSigmamissing['Proportion'] == 0) & (dfSigmamissing['SP'] < dfSigmamissing['SigmaMultiple'])),
((dfSigmamissing['SP'].abs() > (dfSigmamissing['SigmaMultiple'])))
]
choices = [1,0,1]
dfSigmamissing['Flagged'] = np.select(conditions, choices, default=0)
如有任何帮助,我们将不胜感激。
谢谢
我认为你非常接近,你需要从 conditions
列表中删除第二个条件,因为如果第一个条件失败,np.select
将回到那里。否则,前两个条件之一(几乎)总是为真,因为它们(几乎)是互补的。另外,我们需要
dfSigmamissing['Proportion'] == 0
最后一个条件也是:
conditions = [
(dfSigmamissing["Proportion"] == 0) & (dfSigmamissing["SP"] > dfSigmamissing["SigmaMultiple"]),
(dfSigmamissing["Proportion"] == 0) & (dfSigmamissing["SP"].abs() > dfSigmamissing["SigmaMultiple"])
]
choices = [1, 1]
default = 0
dfSigmamissing["Flagged"] = np.select(conditions, choices, default)
这作为:
检查第一个条件是否成立?
--如果是则在对应行填1
--如果不是,则进入第二个条件
第二个条件成立吗?
--如果是,对应行填1
-- 如果不是,回退到默认值,即 0
为了避免代码重复,我们可以重构一些条件元素:
zero_prop = dfSigmamissing["Proportion"] == 0
sp = dfSigmamissing["SP"]
sigma_mul = dfSigmamissing["SigmaMultiple"]
conditions = [
zero_prop & (sp > sigma_mul),
zero_prop & (sp.abs() > sigma_mul)
]
这可能会增加可读性。
我们可以走得更远,将前两个条件粘在一起,因为它们都会输出 1。这意味着我们现在有 2 个条件,所以我们可以选择 np.where
,这是 [=14= 的特例].此外,据我所知,sp > sigma_mul
包含在sp.abs() > sigma_mul
中,因此我们可以删除前者:
condition = zero_prop & (sp.abs() > sigma_mul)
dfSigmamissing["Flagged"] = np.where(condition, 1, 0)
以下代码在 SAS 中创建名为“Flagged”的列:
Case When t3.Proportion=. then case when t3.'Standardised proportion'n >t1.SigmaMultiple Then 1 else 0
End
Else
Case When t3.Proportion=. and abs(t3.'Standardised proportion'n) > t1.SigmaMultiple Then 1 Else 0
End
End
我试图在 python 中复制它,通常我会做一个条件代码,但是嵌套的 Case when aspect 让我感到困惑。
我试过但似乎不匹配的代码:
conditions =[
((dfSigmamissing['Proportion'] == 0) & (dfSigmamissing['SP'] > dfSigmamissing['SigmaMultiple'])),
((dfSigmamissing['Proportion'] == 0) & (dfSigmamissing['SP'] < dfSigmamissing['SigmaMultiple'])),
((dfSigmamissing['SP'].abs() > (dfSigmamissing['SigmaMultiple'])))
]
choices = [1,0,1]
dfSigmamissing['Flagged'] = np.select(conditions, choices, default=0)
如有任何帮助,我们将不胜感激。
谢谢
我认为你非常接近,你需要从 conditions
列表中删除第二个条件,因为如果第一个条件失败,np.select
将回到那里。否则,前两个条件之一(几乎)总是为真,因为它们(几乎)是互补的。另外,我们需要
dfSigmamissing['Proportion'] == 0
最后一个条件也是:
conditions = [
(dfSigmamissing["Proportion"] == 0) & (dfSigmamissing["SP"] > dfSigmamissing["SigmaMultiple"]),
(dfSigmamissing["Proportion"] == 0) & (dfSigmamissing["SP"].abs() > dfSigmamissing["SigmaMultiple"])
]
choices = [1, 1]
default = 0
dfSigmamissing["Flagged"] = np.select(conditions, choices, default)
这作为:
检查第一个条件是否成立?
--如果是则在对应行填1
--如果不是,则进入第二个条件
第二个条件成立吗?
--如果是,对应行填1
-- 如果不是,回退到默认值,即 0
为了避免代码重复,我们可以重构一些条件元素:
zero_prop = dfSigmamissing["Proportion"] == 0
sp = dfSigmamissing["SP"]
sigma_mul = dfSigmamissing["SigmaMultiple"]
conditions = [
zero_prop & (sp > sigma_mul),
zero_prop & (sp.abs() > sigma_mul)
]
这可能会增加可读性。
我们可以走得更远,将前两个条件粘在一起,因为它们都会输出 1。这意味着我们现在有 2 个条件,所以我们可以选择 np.where
,这是 [=14= 的特例].此外,据我所知,sp > sigma_mul
包含在sp.abs() > sigma_mul
中,因此我们可以删除前者:
condition = zero_prop & (sp.abs() > sigma_mul)
dfSigmamissing["Flagged"] = np.where(condition, 1, 0)