pandas.Series.mask

Series.mask(cond, other=<no_default>, *, inplace=False, axis=None, level=None)

在条件为真时替换值。

参数:

cond布尔 Series/DataFrame、类数组或可调用对象

在 cond 为 False 的地方，保留原始值。在为 True 的地方，用 other 中的相应值替换。如果 cond 是可调用的，它会在 Series/DataFrame 上计算，并应返回布尔 Series/DataFrame 或数组。可调用对象不能改变输入的 Series/DataFrame（尽管 pandas 不会检查这一点）。

其他标量、Series/DataFrame 或可调用对象

当 cond 为 True 时，条目将被 other 中相应的值替换。如果 other 是可调用的，它将在 Series/DataFrame 上计算并应返回标量或 Series/DataFrame。可调用对象不能更改输入的 Series/DataFrame（尽管 pandas 不会检查这一点）。如果未指定，条目将被填充为相应的 NULL 值（np.nan 用于 numpy dtypes，pd.NA 用于扩展 dtypes）。

inplacebool, 默认 False

是否对数据执行就地操作。

轴int, 默认为 None

如果需要，对齐轴。对于 Series，此参数未使用并默认为 0。

级别int, 默认为 None

如果需要，对齐级别。

返回:

系列或数据帧或无

当应用于一个 Series 时，该函数将返回一个 Series，当应用于一个 DataFrame 时，它将返回一个 DataFrame；如果 inplace=True，它将返回 None。

参见

DataFrame.where()

返回一个与调用者形状相同的对象。

Series.where()

返回一个与调用者形状相同的对象。

备注

mask 方法是对 if-then 惯用法的应用。对于调用者中的每个元素，如果 cond 为 False，则使用该元素；否则使用 other 中相应的元素。如果 other 的轴与 cond 的轴不对齐，则 cond 在未对齐索引位置的值将被填充为 True。

Series.where() 或 DataFrame.where() 的签名与 numpy.where() 不同。大致上 df1.where(m, df2) 等同于 np.where(m, df1, df2)。

欲了解更多详情和示例，请参阅 索引 中的 mask 文档。

对象的 dtype 优先。如果可以无损转换，填充值会被转换为对象的 dtype。

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 = pd.Series(range(5))
>>> t = pd.Series([True, False])
>>> s.where(t, 99)
0     0
1    99
2    99
3    99
4    99
dtype: int64
>>> s.mask(t, 99)
0    99
1     1
2    99
3    99
4    99
dtype: int64

>>> s.where(s > 1, 10)
0    10
1    10
2    2
3    3
4    4
dtype: int64
>>> s.mask(s > 1, 10)
0     0
1     1
2    10
3    10
4    10
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