相关疑难解决方法(0)

当将NumPy Not-a-Number值转换为布尔值时,它变为True,例如如下.

>>> import numpy as np
>>> bool(np.nan)
True

这与我直觉所期望的完全相反.这种行为是否存在合理的原则？

(我怀疑在Octave中可能会出现相同的行为.)

我想对两个pandas系列的布尔值进行逐元素的OR运算.np.nans也包括在内.

我已经尝试了三种方法,并意识到,表达" np.nan或False"可evaluted到True,False以及np.nan取决于方法.

这些是我的例子系列:

series_1 = pd.Series([True, False, np.nan])
series_2 = pd.Series([False, False, False])

方法#1

使用|熊猫的运营商:

In [5]: series_1 | series_2
Out[5]: 
0     True
1    False
2    False
dtype: bool

方法#2

使用logical_ornumpy中的函数:

In [6]: np.logical_or(series_1, series_2)
Out[6]: 
0     True
1    False
2      NaN
dtype: object

方法#3

我定义了一个矢量化版本,logical_or它应该在数组上逐行进行评估:

@np.vectorize
def vectorized_or(a, b):
   return np.logical_or(a, b)

我vectorized_or在两个系列上使用并将其输出(这是一个numpy数组)转换为pandas系列:

In [8]:  pd.Series(vectorized_or(series_1, series_2))
Out[8]: 
0 …

介绍：

给定一个数据框，我认为以下是正确的：

df[(condition_1) | (condition_2)] <=> df[(condition_2) | (condition_1)]

如

df[(df.col1==1) | (df.col1==2)] <=> df[(df.col1==2) | (df.col1==1)]

问题：

但事实证明它在以下情况下失败，其中涉及NaN这可能是失败的原因：

df = pd.DataFrame([[np.nan, "abc", 2], ["abc", 2, 3], [np.nan, 5,6], [8,9,10]], columns=["A", "B", "C"])
df
     A    B   C
0  NaN  abc   2
1  abc    2   3
2  NaN    5   6
3    8    9  10

以下按预期工作：

df[(df.A.isnull()) | (df.A.str.startswith("a"))]
     A    B  C
0  NaN  abc  2
1  abc    2  3
2  NaN    5  6

但是，如果我对元素进行通勤，则会得到不同的结果：

df[(df.A.str.startswith("a")) | (df.A.isnull())]
     A  B …