本网站的长期用户，但第一次提问！感谢多年来一直在回答问题的所有仁慈的用户:)
我df.apply最近一直在使用，理想情况下希望将数据帧传递到args参数中，看起来像这样： df.apply(testFunc, args=(dfOther), axis = 1)
我的最终目标是遍历我传入args参数的数据帧 df ，并针对原始数据帧的每一行检查逻辑，例如，并从 dfOther . 所以说我有一个这样的功能：
def testFunc(row, dfOther):
for index, rowOther in dfOther.iterrows():
if row['A'] == rowOther[0] and row['B'] == rowOther[1]:
return dfOther.at[index, 'C']
df['OTHER'] = df.apply(testFunc, args=(dfOther), axis = 1)
我目前的理解是args需要一个 Series 对象，因此如果我实际运行它，我们会收到以下错误：
ValueError: The truth value of a DataFrame is ambiguous.
Use a.empty, a.bool(), a.item(), a.any() or a.all().
然而，在我写testFunc它只传递一个数据帧之前，我实际上已经写了priorTestFunc，它看起来像这样......而且它有效！
def priorTestFunc(row, dfOne, dfTwo):
for index, rowOne in dfOne.iterrows(): …我有一个关于之间的差异问题df.loc，并df.at针对具有多指标dataframes。我一直在查看来自 stackoverflow 的一些精彩资源，但它似乎并没有阐明我的问题。特别是这个... pandas .at 与 .loc（或者至少我不完全理解这里显示的内容）。
每熊猫文档，https://pandas-docs.github.io/pandas-docs-travis/generated/pandas.DataFrame.at.html，df.at应该返回奇异值，其速度比df.loc，所以我倾向于想要使用df.at。让我展示我的困惑，因为它适用于df.at与 MultiIndex一起使用。
我有以下数据框：
df = pd.DataFrame({'field1':['foo']*6, 'field2':['bar']*6, 'field3':
['a','a','b','b','b','c'],'value1':[0.4,0.5,0.4,0.7,.9,.4],'value2':
[4000,4000,9000,9000,9000,10000]}, index=range(6))
df
Out[329]:
field1 field2 field3 value1 value2
0 foo bar a 0.4 4000
1 foo bar a 0.5 4000
2 foo bar b 0.4 9000
3 foo bar b 0.7 9000
4 foo bar b 0.9 9000
5 foo bar c 0.4 10000
我想使用 MultiIndex 访问此数据框，因此我正在执行以下操作：
df …所以我不确定以下内容本身是否是故意的，但这似乎是我之前使用的 pandas 0.18.0 的行为变化。我已经更新到 0.23.0 并且出现了一些奇怪的行为......
假设我有一些大数据框，被调用dfLarge，我df根据一些标准从中获取一个子集。（这部分问题对于复制并不是真正必要的，但它来自我的实际用例以及我如何注意到熊猫行为的变化）。但碰巧的是，我无法在 中找到符合我正在寻找的条件的匹配项dfLarge，因此df是空的。
什么是重要的是，df共享相同dtypes的dfLarge。一般来说，对于某些人来说可能是这样的df：
In [187]: df = pd.DataFrame(columns = ['field1','field2','field3','num1','num2'])
In [188]: df['num1'] = df['num1'].astype('float64') # assume this was inherited from dfLarge
In [189]: df['num2'] = df['num2'].astype('float64') # assume this was inherited from dfLarge
In [190]: df.dtypes
Out[190]:
field1 object
field2 object
field3 object
num1 float64
num2 float64
dtype: object
所以现在我们有一个空数据框的一些字段和不同的数据类型df。当我df.groupby通过对field1和求和来维护我的索引的同时使用聚合我的数据时field2 …