Условная замена нескольких столбцов на основе значений столбцов в pandas DataFrame

Question

Я хотел бы одновременно заменить значения нескольких столбцов соответствующими значениями в других столбцах на основе значений в первой группе столбцов (в частности, где один из первые столбцы пустые). Вот пример того, что я пытаюсь сделать:

import pandas as pd 

df = pd.DataFrame({'a1':['m', 'n', 'o', 'p'], 
        'a2':['q', 'r', 's', 't'], 
        'b1':['', '', 'a', '' ], 
        'b2':['', '', 'b', '']}) 

df 

# a1 a2 b1 b2 
# 0 m q 
# 1 n r 
# 2 o s a b 
# 3 p t 

Я хотел бы заменить «» значения b1 и b2 с соответствующими значениями a1 и a2, где b1 является пустым:

# a1 a2 b1 b2 
# 0 m q m q 
# 1 n r n r 
# 2 o s a b 
# 3 p t p t 

Вот мой мыслительный процесс (я относительно новым для панд, так что я, вероятно, говоря с сильным акцентом R здесь):

missing = (df.b1 == '') 

# First thought: 
df[missing, ['b1', 'b2']] = df[missing, ['a1', 'a2']] 
# TypeError: 'Series' objects are mutable, thus they cannot be hashed 

# Fair enough 
df[tuple(missing), ('b1', 'b2')] = df[tuple(missing), ('a1', 'a2')] 
# KeyError: ((True, True, False, True), ('a1', 'a2')) 

# Obviously I'm going about this wrong. Maybe I need to use indexing? 
df[['b1', 'b2']].ix[missing,:] 
# b1 b2 
# 0  
# 1  
# 3  

# That looks right 
df[['b1', 'b2']][missing, :] = df[['a1', 'a2']].ix[missing, :] 
# TypeError: 'Series' objects are mutable, thus they cannot be hashed 
# Deja vu 

df[['b1', 'b2']].ix[tuple(missing), :] = df[['a1', 'a2']].ix[tuple(missing), :] 
# ValueError: could not convert string to float: 
# Uhh... 

Я мог бы сделать это столбец за столбцом:

df['b1'].ix[missing] = df['a1'].ix[missing] 
df['b2'].ix[missing] = df['a2'].ix[missing] 

... но я подозреваю, что существует более идиоматический способ сделать это. Мысли?

Обновление: Чтобы уточнить, я задаюсь вопросом, можно ли одновременно обновлять все столбцы. Например, гипотетический модификация ответа Primer (это не работает, и результаты в NaNs, хотя я не уверен, почему):

df.loc[missing, ['b1', 'b2']] = f.loc[missing, ['a1', 'a2']] 

# a1 a2 b1 b2 
# 0 m q NaN NaN 
# 1 n r NaN NaN 
# 2 o s a b 
# 3 p t NaN NaN 

Answer 1

Как насчет

df[['b1', 'b2']] = df[['b1', 'b2']].where(df[['b1', 'b2']] != '', df[['a1', 'a2']].values) 

это возвращает

a1 a2 b1 b2 
0 m q m q 
1 n r n r 
2 o s a b 
3 p t p t 

Answer 2

Вы могли бы сделать это следующим образом:

mask1 = df.b1.str.len() == 0 
mask2 = df.b2.str.len() == 0 
df.loc[mask1, 'b1'] = df.loc[mask1, 'a1'] 
df.loc[mask2, 'b2'] = df.loc[mask2, 'a2'] 
print df 

    a1 a2 b1 b2 
0 m q m q 
1 n r n r 
2 o s a b 
3 p t p t 

Или имеющие маски, как это будет работать:

mask1 = df.b1 == '' 
mask2 = df.b2 == '' 

Answer 3

Как насчет:

missing = df.loc[:] == "" 
shifted = df.copy().shift(2, axis=1) 
df[missing] = shifted 

Другими словами, построить missing булеву маску ячеек, где отсутствуют данные, а также копию исходных данных со всеми столбцами сдвинуты два места справа. Затем присвойте сдвинутые данные исходным данным, но только там, где они отсутствовали в первую очередь.

Эти данные будут протекать так:

только клетки, отмеченные зеленым цветом в missing будут скопированы.

Если вы хотите, чтобы сделать это все в одной строке, это возможно, если немного менее ясно, почему вы делаете различные операции:

df[df.loc[:] == ""] = df.copy().shift(2, axis=1)