DataFrame.mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False) [source]
替换条件为True的值。
参数： | cond： 类似于数组或callable 如果 如果为 则用 如果 则它是在 并且应返回布尔 可调用对象不得更改输入 （尽管pandas不会对其进行检查）。 other：
将替换为 如果 则在 并应返回 可调用对象不得更改输入 （尽管pandas不会对其进行检查）。 inplace： 布尔值，默认为 是否对数据执行适当的操作。 axis： 对齐轴（如果需要）。 level： 对齐级别（如果需要）。 errors： 默认值 请注意，当前此参数不会影响结果， 并且始终会强制转换为合适的 1) 2) 错误时返回原始对象。 try_cast： 尝试将结果转换回输入类型（如果可能）。 |
返回： | 与调用者类型相同 |
Notes
mask方法是if-then惯用语的一种应用。对于在主叫DataFrame的每个元素中，如果cond是False的元素被使用; 否则，将使用DataFrame中的相应元素 other。
的签名DataFrame.where()不同于 numpy.where()。df1.where(m, df2)大致相当于np.where(m, df1, df2)
有关更多详细信息和示例，请参见indexing中的mask文档 。
例子
1）用 NaN 替换大于 5 的值
import pandas as pd
import numpy as np
df = pd.DataFrame({'A': [1, 6, 3], 'B': [4, 7, 2]})
masked_df = df.mask(df > 5)
print(masked_df)
2）用 -1 替换小于 5 的值
import pandas as pd
import numpy as np
df = pd.DataFrame({'A': [1, 6, 3], 'B': [4, 7, 2]})
masked_df = df.mask(df < 5, -1)
print(masked_df)
3）使用 mask 结合 numpy 进行复杂替换
import pandas as pd
import numpy as np
df = pd.DataFrame({'A': [1, 6, 3], 'B': [4, 7, 2]})
masked_df = df.mask(df % 2 == 0, df * 10)
print(masked_df)
4）使用 mask 处理 NaN 值
import pandas as pd
import numpy as np
df = pd.DataFrame({'A': [1, np.nan, 3],
'B': [4, 5, np.nan]})
masked_df = df.mask(pd.isna(df), -1)
print(masked_df)
5）使用 mask 结合 lambda 进行条件替换
import pandas as pd
import numpy as np
df = pd.DataFrame({'A': [1, np.nan, 3],
'B': [4, 5, np.nan]})
masked_df = df.mask(lambda x: x > 3, 100)
print(masked_df)
6）mask() 与 where() 对比
mask()当条件为 True 时替换值，where()当条件为 False 时替换值。
import pandas as pd
import numpy as np
df = pd.DataFrame({'A': [1, np.nan, 3],
'B': [4, 5, np.nan]})
df_mask = df.mask(df > 5, other=0) # 大于5的变0
df_where = df.where(df > 5, other=0) # 小于等于5的变0
print("mask 结果：\n", df_mask)
print("where 结果：\n", df_where)