Проверьте, равно ли какое-либо значение 0 в Python DataFrame

Используйте x==0 вместо x is 0

Еще лучше транслировать тест по серии, а не зацикливаться в выражении генератора: df.i == 0 - это серия логических значений, а (df.i == 0).any() истинно, если любое из этих значений истинно. Или, поскольку 0 неверно, а все остальные числа верны, вы можете использовать not df.i.all(), чтобы получить тот же эффект более эффективно (но, вероятно, менее читабельно).

с кодом минимальный воспроизводимый пример для одного файла с разделителем ',' я не смог воспроизвести проблему. Приведенный выше код возвращает true, если все значения Test являются int, а не float и не str.

@Prateek Я проверил, что list_of_dfs [0] .Test - это тип данных int64. I.Test в этом случае должен быть таким же. Я пытаюсь привести минимальный нерабочий пример. Но было бы слишком много загружать тысячи файлов csv

@RafaelC x == 0 исправил проблему. Большое спасибо

@abarnert (i.Test == 0).any() дал мне те же результаты, что и any(x == 0 for x in i.Test). Однако я могу представить, что ваш метод более эффективен. Могу ли я также вычислить среднее значение DataFrame? Как среднее из тринадцати?

@ChrizZlyBear Да. Под обложками каждая серия (столбец) представляет собой массив numpy, что означает, что вы можете получить все преимущества простоты и производительности от использования numpy на них. (Предполагая, что это числовые столбцы, то есть; если у них есть dtype=object, вы не получите большого преимущества в производительности, а для некоторых сложных типов часто проще использовать функции высокого уровня pandas или даже apply / map, чем раскрывать to numpy.) Таким образом, вы можете получить среднее значение, вызвав на нем sum(), а затем разделив на len, или используя ... Я думаю, что это scipy.stats.mean(i.Thirteen), но вы можете найти его.

Между тем, если вы хотите понять разницу между is и ==, страницу документации и / или соответствующие вопросы SO может быть сложно найти, поэтому дайте мне знать, и я найду ссылку. Но краткий ответ заключается в том, что a is b верен только в том случае, если a и b являются тот же объект, а объект pandas int64 никогда не будет тем же объектом, что и встроенный объект int, в то время как == проверяет, имеют ли они тот же значение, являются ли они один и тот же объект или два разных объекта, которые оказываются равными. Вам почти никогда не понадобится is с числами, но вы часто хотите его со специальными одноэлементными значениями, такими как None.

@abarnert Я только что понял, как много я могу сделать с помощью этого метода. Не только в этом случае. Но это сократило 4 других комплекса петель в один вкладыш. и numpy / SciPy даже не проще. Думаю, они тоже намного эффективнее. Это мне тоже очень помогло.