DataFrame.where(cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False)[source]

替换where条件为False的值。

参数：cond：bool Series/DataFrame, array-like,

或 callable

当cond为True时，保持原始值。当为False时，

用other的相应值替换。如果cond是可调用的，

它将根据Series/DataFrame计算，

并且应该返回boolean Series/DataFrame或array。

可调用对象不能更改输入Series/DataFrame(尽管panda不检查它)。

other：scalar, Series/DataFrame, 或 callable

cond为假的条目被替换为other的相应值。

如果其他变量是可调用的，

它将根据Series/DataFrame计算，

并且应该返回scalar或Series/DataFrame。

可调用对象不能更改输入Series/DataFrame(尽管panda不检查它)。

inplace：bool, 默认为False

是否对数据执行适当的操作。

axis：int, 默认为 None

如有需要，调整axis。

level ：int, 默认为 None

如果需要对齐level。

errors ：str, {‘raise’, ‘ignore’}, 默认为‘raise’

请注意，目前这个参数不会影响结果，

并且总是将其强制为合适的dtype。

1) ‘raise’ : 允许引发异常。

2) ‘ignore’ : 抑制异常。错误时返回原始对象。

try_cast ：bool, 默认为False

尝试将结果转换回输入类型(如果可能)。

返回值：与调用者类型相同

Notes

where方法是if-then惯用语的应用。对于在主叫数据帧的每个元素中，如果cond是True的元件被使用; 否则，将使用DataFrame中的相应元素 other。DataFrame.where()的签名不同于numpy.where()。df1.where(m, df2)大致相当于np.where(m, df1, df2)。

有关更多详细信息和示例，请参见indexing中的where文档 。

例子>>> s = pd.Series(range(5))

>>> s.where(s > 0)

0 NaN

1 1.0

2 2.0

3 3.0

4 4.0

dtype: float64>>> s.mask(s > 0)

0 0.0

1 NaN

2 NaN

3 NaN

4 NaN

dtype: float64>>> s.where(s > 1, 10)

0 10

1 10

2 2

3 3

4 4

dtype: int64>>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B'])

>>> df

A B

0 0 1

1 2 3

2 4 5

3 6 7

4 8 9

>>> m = df % 3 == 0

>>> df.where(m, -df)

A B

0 0 -1

1 -2 3

2 -4 -5

3 6 -7

4 -8 9

>>> df.where(m, -df) == np.where(m, df, -df)

A B

0 True True

1 True True

2 True True

3 True True

4 True True

>>> df.where(m, -df) == df.mask(~m, -df)

A B

0 True True

1 True True

2 True True

3 True True

4 True True