Primero, si el tipo de ambas columnas no es integer
debes hacer el casting primero para que la comparación sea apropiada y eficiente. Partiendo de dos columnas de tipo int
, puedes usar pandas.DataFrame.apply
y una función Python que en base a condicionales retorne el valor adecuado:
import pandas as pd
datos = pd.DataFrame({'Loc': ['A', 'B', 'C', 'D'],
'eventAccel': ['0', '0', '1', '2'],
'eventBrake': ['2', '0', '0', '1']},
dtype=int
)
def categorizar(fila):
eventAccel = fila.eventAccel
eventBrake = fila.eventBrake
if eventAccel == 0:
if eventBrake == 0:
return 0
elif eventBrake > 0:
return 2
elif eventAccel > 0:
if eventBrake == 0:
return 1
elif eventBrake > 0:
return 3
return -1 # ¿Si ninguna se cumple que hacemos?
datos["Categoría"] = datos.apply(categorizar, axis=1)
Aunque flexible, las llamadas a funciones Python repercuten considerablemente en el rendimiento. Si quieres optimizar para mejorar el tiempo de ejecución notablemente se puede vectorizar usando NumPy:
import numpy as np
import pandas as pd
datos = pd.DataFrame({'Loc': ['A', 'B', 'C', 'D'],
'eventAccel': ['0', '0', '1', '2'],
'eventBrake': ['2', '0', '0', '1']},
dtype=int
)
condiciones = [(datos.eventAccel == 0) & (datos.eventBrake == 0),
(datos.eventAccel > 0) & (datos.eventBrake == 0),
(datos.eventAccel == 0) & (datos.eventBrake > 0),
(datos.eventAccel > 0) & (datos.eventBrake > 0)
]
elecciones = np.array((0, 1, 2, 3), dtype="int8")
datos["Categoría"] = np.select(condiciones, elecciones, -1)
Para un DataFrame de 10000 filas tenemos:
pandas.DataFrame.apply y función Python: 1.5267951488494873 segundos
numpy.select y máscaras booleanas: 0.0054912567138671 segundos
Se debe proporcionar un valor para el caso en el que ninguna condición se cumple (si se puede dar este caso). En este caso se usa -1 para preservar el tipo. Si se quiere usar NaN
(np.nan
) no hay problema, pera lo columna debe ser de tipo float
, por ahora Pandas no soporta NaN
en columnas de tipo entero, aunque esto va a cambiar pronto (característica en beta actualmente).