小编Mat*_*000的帖子

部分答案可以在这里找到（How to select rows from a DataFrame based on column value?），但它仅适用于一列。我想知道如何将其应用于多列（本例中为两列）中的配对值。

我有一个数据框 df ，其中过滤列是 B 和 C （NaN 代表空单元格）：

    A     B      C  D
0   1  Blue  Green  4
1   2  Blue  Green  6
2   3  Blue  Green  2
3   4  Blue    NaN  6
4   5  Blue    NaN  9
5   6   NaN  Green  8
6   7  Blue  Green  8
7   8   NaN    NaN  9
8   9   NaN  Green  1
9  10   NaN  Green  2

我只想保留 B='Blue' 和 C='Green' 的 …

使用 Plotly 绘制图形时，有没有办法一次为整个图形设置字体（这样您就不必为图形中的每个元素单独设置字体）？

对于 MatPlotLib，这是通过以下方式完成的：

matplotlib.pyplot.rcparams["font.family"] = "Calibri"

对于 Plotly，这是通过以下方式完成的：

?????

对两个 Pandas 列求和时，当两列之一是浮点数时，我想忽略 nan 值。但是，当 nan 出现在两列中时，我想将 nan 保留在输出中（而不是 0.0）。

初始数据帧：

Surf1     Surf2
0         0
NaN       8
8         15
NaN       NaN
16        14
15        7

期望的输出：

Surf1     Surf2     Sum
0         0         0
NaN       8         8
8         15        23
NaN       NaN       NaN
16        14        30
15        7         22

尝试过的代码： -> 下面的代码忽略了 nan 值，但是当取两个 nan 值的总和时，它在输出中给出 0.0，在这种情况下，我想将其保留为 NaN，以将这些空值与以下值分开求和后实际上为0。

import pandas as pd
import numpy as np

data = pd.DataFrame({"Surf1": [10,np.nan,8,np.nan,16,15], "Surf2": [22,8,15,np.nan,14,7]})
print(data)

data.loc[:,'Sum'] = data.loc[:,['Surf1','Surf2']].sum(axis=1)
print(data)

我想将日期时间列中的年份提取到新的“yyyy”列中，并且希望将缺失值 (NaT) 显示为“NaN”，因此新列的日期时间数据类型应该是我想已经改变了，但我被困住了..

初始 df:

        Date  ID\n0 2016-01-01  12\n1 2015-01-01  96\n2        NaT  20\n3 2018-01-01  73\n4 2017-01-01  84\n5        NaT  26\n6 2013-01-01  87\n7 2016-01-01  64\n8 2019-01-01  11\n9 2014-01-01  34\n

所需的 df:

        Date  ID  yyyy\n0 2016-01-01  12  2016\n1 2015-01-01  96  2015\n2        NaT  20   NaN\n3 2018-01-01  73  2018\n4 2017-01-01  84  2017\n5        NaT  26   NaN\n6 2013-01-01  87  2013\n7 2016-01-01  64  2016\n8 2019-01-01  11  2019\n9 2014-01-01  34  2014\n

代码：

import pandas as pd\xe2\x80\xa8\nimport numpy as np\xe2\x80\xa8\xe2\x80\xa8\n\n# example df\ndf = pd.DataFrame({"ID": …

我想取以相同文本字符串开头的列的值的总和（按行）。下面是我的原始 df 课程失败。

原始df：

ID  P_English_2  P_English_3  P_German_1   P_Math_1  P_Math_3  P_Physics_2  P_Physics_4
56            1            3           1          2         0            0            3
11            0            0           0          1         4            1            0
6             0            0           0          0         0            1            0
43            1            2           1          0         0            1            1
14            0            1           0          0         1            0            0

所需的 df：

ID  P_English   P_German   P_Math   P_Physics
56          4          1        2           3
11          0          0        5           1 
6           0          0        0           1 
43          3          1        0           2
14 …