Respondiendo directamente a la pregunta del título:
por que esta operación relacional da error en pandas
y para entender qué significa el críptico mensaje de pandas:
The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().
hay que explicar que en Python los operadores >
, >=
, <
, <=
, ==
y !=
son todos redefinibles, pero los operadores and
, or
y not
no lo son. Esto tiene su importancia en el caso que nos ocupa.
Pandas ha redefinido los operadores de comparación para que funcionen con Series (columnas) y para que, en lugar de retornar True
o False
, retornen una serie (una columna) de booleanos.
Así cuando haces dtf.HomeTeam == 'Arsenal'
debido a esa redefinición hecha por Pandas, el resultado de la comparación es una columna llena de booleanos, en el que habrá True
en las filas que HomeTeam
sea 'Arsenal' y False
en las filas en que no lo sea. Hasta aquí bien.
Por otro lado podrías pensar que dtf.FTR == 'A'
hace lo mismo produciendo otra columna de booleanos y que finalmente and
realiza la operación 'Y' entre ambas columnas, produciendo como resultado otra columna de booleanos con True
sólo en las posiciones en las que ambas series tenían True
.
Por desgracia eso no es así porque, como he dicho , and
no puede ser redefinido y por tanto sigue siendo el operador python "normal". Si and
pudiera redefinirse, sin duda Pandas lo habría hecho para que pudiera operar con Series y de ese modo tu expresión habría funcionado.
Qué está ocurriendo entonces
La redefinición de ==
se hace implementando en una clase el método __eq__()
, de modo que cuando haces a == b
en realidad Python invoca a.__eq__(b)
.
Eso es lo que ocurre con tu dataframe, y por tanto dtf.HomeTeam == 'Arsenal'
en realidad consiste en ejecutar dft.HomeTeam.__eq__('Arsenal')
. La condición de tu if
se ve entonces así:
dtf.HomeTea.__eq__('Arsenal') and dtf.FTR.__eq__('A')
Por tanto Python ejecuta cada uno de esos métodos, obtiene dos columnas de booleanos y se encuentra entonces con que tiene que evaluar algo como:
columna_booleanos_1 and columna_booleanos_2
El operador and
sólo sabe comparar entre sí un booleano con otro. Cuando se encuentra con un tipo que no es booleano (como columna_booleanos_1
por ejemplo), intentará convertirlo en un booleano, por lo que en realidad se intentará lo siguiente:
bool(columna_booleanos_1) and bool(columna_booleanos_2)
La función bool
se resuelve invocando el método __bool__
de esos objetos, por lo que equivale a:
columna_booleanos_1.__bool__() and columna_booleanos_2.__bool__()
y aquí entra Pandas de nuevo, pues Pandas ha implementado el método __bool__()
en los objetos de tipo Series
. Si la implementación de Pandas retornara como resultado True
o False
, todo seguiría felizmente, pues and
hará su trabajo entre dos booleanos.
Pero Pandas se encuentra con una columna llena de True
y False
y se le pide convertirla en un único valor, True
o False
. ¿Cuál debería ser el resultado? Si toda la columna estuviera llena de True
parece que el resultado debería ser True
, pero ¿y si contiene algún False
? No está claro qué se debería hacer en ese caso. De modo que de forma general Pandas renuncia a convertir una columna en un booleano, y nos da su error (que ahora voy a traducir):
El valor booleano de una Serie es ambiguo. Debes usar a.empty, a.bool(), a.item(), a.any(), o a.all()
Esos son métodos que están claramente definidos para producir un solo booleano como resultado ante una serie de ellos. Por ejemplo a.all()
dará True
sólo si todos son True
, mientras que a.any()
dará True
con tal de que al menos uno de ellos sea True
.
Cómo arreglarlo
En el caso en que lo que realmente quisieras fuera una columna con True
en aquellos lugares en que ambas eran True
, es decir la operación and
elemento a elemento entre ambas columnas, para ese caso puedes utilizar el operador &
en lugar de and
.
El operador &
forma parte del lenguaje python, y está inicialmente pensado como una operación aritmético-lógica entre enteros (lo que se llama el bitwise and, que en C sería también el operador &
). Sin embargo, a diferencia de and
, el operador &
es redefinible y Pandas lo ha redefinido para que haga justo lo que aquí necesitamos: una operación lógica entre columnas.
Por tanto habría que reescribir tu condición así:
(dtf.HomeTeam == 'Arsenal') & (dtf.FTR == 'A')
En este caso hay que utilizar paréntesis alrededor de las comparaciones, porque el operador &
tiene más precedencia que el operador ==
.
El resultado de esa condición es una columna de booleanos. Puedes obtener cuántos True
hay en esa columna si simplemente calculas la suma (ya que cuando python suma booleanos los trata como 1 y 0).
Es decir:
x = sum((dtf.HomeTeam == 'Arsenal') & (dtf.FTR == 'A'))
HomeTeam
devuelvemeTrue
oFalse
si el valor es igual a Arsenal" y luego quieres comparar eso que es un vector de datos con lo que hay despues deland
" por cada valor en la columnaFTR
devuelvemeTrue
oFalse
si el valor es igual a A" Lo que estás haciendo es comparar dos Series deTrue
yFalse
lo cual no es posible y por eso te lanza el error.DataFrame
que tienes, para que podamos trabajar con él. Es decir, crear un DataFrame en código que se pueda copiar facilmente.