In [1]:

import pandas as pd
import seaborn as sns

df = sns.load_dataset("titanic")

In [2]:

df.head()

Out[2]:

	survived	pclass	sex	age	sibsp	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
0	0	3	male	22.0	1	7.2500	S	Third	man	True	NaN	Southampton	no	False
1	1	1	female	38.0	1	71.2833	C	First	woman	False	C	Cherbourg	yes	False
2	1	3	female	26.0	0	7.9250	S	Third	woman	False	NaN	Southampton	yes	True
3	1	1	female	35.0	1	53.1000	S	First	woman	False	C	Southampton	yes	False
4	0	3	male	35.0	0	8.0500	S	Third	man	True	NaN	Southampton	no	True

In [3]:

import numpy as np

If you are like me and have an Excel background you reliase how Important the if() formula is in Excel.

We can replicate the if Statement pandas using numpy which we need to import

Note Pandas is built on top of numpy so we can use numpy features with pandas when creating columns and passing in arrays as columns.

To replicate the if condition we will make use of numpy's where() method which behaves pretty much the same as Excel's IF() function.
it takes in a condition, seperated by a comma, Value for Trues, and value for False**.

Example: Take a look at the method below:

We are using the numpy which has an allias of np. np.where()
Our condition is df.age < 30, which returns True if the age is less than 30, and False otherwise.
If the condition is True we get the value Young
If the condition is False we get the values Not Young.

In [4]:

np.where(df.age < 30, "Young","Not Young")

Out[4]:

array(['Young', 'Not Young', 'Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Young', 'Young', 'Young', 'Young',
       'Not Young', 'Young', 'Not Young', 'Young', 'Not Young', 'Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Not Young',
       'Young', 'Young', 'Young', 'Not Young', 'Not Young', 'Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Young', 'Not Young', 'Not Young', 'Young', 'Young',
       'Young', 'Not Young', 'Young', 'Not Young', 'Young', 'Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Young',
       'Young', 'Young', 'Not Young', 'Young', 'Not Young', 'Not Young',
       'Young', 'Young', 'Young', 'Young', 'Young', 'Not Young',
       'Not Young', 'Young', 'Not Young', 'Not Young', 'Young', 'Young',
       'Young', 'Young', 'Not Young', 'Young', 'Young', 'Young',
       'Not Young', 'Young', 'Not Young', 'Not Young', 'Young',
       'Not Young', 'Young', 'Young', 'Not Young', 'Young', 'Young',
       'Not Young', 'Young', 'Not Young', 'Young', 'Young', 'Young',
       'Young', 'Not Young', 'Young', 'Not Young', 'Not Young',
       'Not Young', 'Young', 'Not Young', 'Not Young', 'Young',
       'Not Young', 'Young', 'Not Young', 'Not Young', 'Young', 'Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Young',
       'Young', 'Young', 'Young', 'Young', 'Not Young', 'Young', 'Young',
       'Young', 'Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Young', 'Not Young', 'Young', 'Not Young',
       'Not Young', 'Not Young', 'Young', 'Not Young', 'Young', 'Young',
       'Young', 'Young', 'Not Young', 'Young', 'Young', 'Not Young',
       'Young', 'Young', 'Young', 'Young', 'Young', 'Young', 'Young',
       'Not Young', 'Not Young', 'Not Young', 'Young', 'Not Young',
       'Not Young', 'Not Young', 'Not Young', 'Young', 'Not Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Young',
       'Young', 'Young', 'Young', 'Not Young', 'Not Young', 'Not Young',
       'Young', 'Not Young', 'Young', 'Young', 'Young', 'Not Young',
       'Young', 'Not Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Young', 'Young', 'Young', 'Not Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Not Young',
       'Young', 'Young', 'Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Young', 'Young', 'Not Young',
       'Not Young', 'Not Young', 'Young', 'Young', 'Not Young', 'Young',
       'Young', 'Not Young', 'Young', 'Not Young', 'Young', 'Not Young',
       'Not Young', 'Not Young', 'Young', 'Not Young', 'Not Young',
       'Not Young', 'Young', 'Young', 'Not Young', 'Not Young',
       'Not Young', 'Young', 'Young', 'Young', 'Young', 'Not Young',
       'Not Young', 'Young', 'Not Young', 'Young', 'Young', 'Not Young',
       'Not Young', 'Young', 'Young', 'Not Young', 'Not Young',
       'Not Young', 'Young', 'Young', 'Not Young', 'Not Young', 'Young',
       'Young', 'Not Young', 'Not Young', 'Not Young', 'Young',
       'Not Young', 'Not Young', 'Not Young', 'Young', 'Not Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Young',
       'Young', 'Not Young', 'Not Young', 'Not Young', 'Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Young', 'Not Young', 'Not Young', 'Young', 'Young',
       'Young', 'Not Young', 'Not Young', 'Not Young', 'Young',
       'Not Young', 'Young', 'Young', 'Young', 'Not Young', 'Young',
       'Young', 'Not Young', 'Young', 'Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Young', 'Not Young', 'Not Young',
       'Young', 'Not Young', 'Young', 'Not Young', 'Not Young', 'Young',
       'Young', 'Young', 'Young', 'Not Young', 'Young', 'Young',
       'Not Young', 'Not Young', 'Not Young', 'Young', 'Young',
       'Not Young', 'Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Young', 'Not Young', 'Not Young',
       'Not Young', 'Young', 'Not Young', 'Not Young', 'Young',
       'Not Young', 'Not Young', 'Not Young', 'Young', 'Young', 'Young',
       'Young', 'Not Young', 'Young', 'Not Young', 'Not Young', 'Young',
       'Not Young', 'Young', 'Not Young', 'Young', 'Young', 'Not Young',
       'Young', 'Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Young',
       'Young', 'Young', 'Young', 'Young', 'Young', 'Not Young', 'Young',
       'Young', 'Young', 'Young', 'Not Young', 'Young', 'Not Young',
       'Not Young', 'Not Young', 'Young', 'Young', 'Not Young',
       'Not Young', 'Young', 'Not Young', 'Young', 'Young', 'Young',
       'Young', 'Young', 'Not Young', 'Not Young', 'Young', 'Young',
       'Not Young', 'Young', 'Young', 'Young', 'Young', 'Not Young',
       'Not Young', 'Young', 'Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Young', 'Not Young', 'Young', 'Not Young', 'Young',
       'Young', 'Young', 'Young', 'Not Young', 'Young', 'Young',
       'Not Young', 'Not Young', 'Young', 'Not Young', 'Not Young',
       'Young', 'Not Young', 'Young', 'Young', 'Young', 'Not Young',
       'Not Young', 'Not Young', 'Young', 'Young', 'Young', 'Not Young',
       'Young', 'Young', 'Not Young', 'Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Not Young', 'Young', 'Not Young',
       'Not Young', 'Not Young', 'Young', 'Young', 'Not Young',
       'Not Young', 'Young', 'Young', 'Young', 'Young', 'Not Young',
       'Not Young', 'Not Young', 'Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Young', 'Not Young', 'Young',
       'Not Young', 'Not Young', 'Young', 'Not Young', 'Not Young',
       'Not Young', 'Young', 'Young', 'Young', 'Young', 'Not Young',
       'Not Young', 'Young', 'Young', 'Not Young', 'Not Young', 'Young',
       'Young', 'Young', 'Not Young', 'Not Young', 'Not Young', 'Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Young',
       'Young', 'Not Young', 'Young', 'Not Young', 'Not Young', 'Young',
       'Not Young', 'Not Young', 'Not Young', 'Young', 'Not Young',
       'Young', 'Young', 'Not Young', 'Not Young', 'Not Young', 'Young',
       'Not Young', 'Not Young', 'Young', 'Young', 'Young', 'Not Young',
       'Young', 'Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Young',
       'Not Young', 'Not Young', 'Young', 'Young', 'Young', 'Not Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Not Young',
       'Young', 'Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Young', 'Not Young', 'Not Young', 'Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Not Young', 'Young', 'Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Young', 'Not Young', 'Young', 'Young', 'Young',
       'Young', 'Not Young', 'Young', 'Young', 'Young', 'Not Young',
       'Not Young', 'Young', 'Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Not Young', 'Young', 'Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Young',
       'Young', 'Young', 'Not Young', 'Young', 'Not Young', 'Young',
       'Not Young', 'Not Young', 'Young', 'Not Young', 'Young', 'Young',
       'Not Young', 'Young', 'Young', 'Not Young', 'Not Young', 'Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Not Young',
       'Young', 'Not Young', 'Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Young', 'Young', 'Young', 'Not Young', 'Not Young',
       'Not Young', 'Young', 'Young', 'Young', 'Not Young', 'Young',
       'Young', 'Young', 'Young', 'Young', 'Not Young', 'Young',
       'Not Young', 'Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Not Young', 'Young', 'Not Young',
       'Young', 'Young', 'Young', 'Not Young', 'Not Young', 'Not Young',
       'Young', 'Not Young', 'Young', 'Not Young', 'Not Young', 'Young',
       'Not Young', 'Young', 'Not Young', 'Young', 'Not Young',
       'Not Young', 'Young', 'Young', 'Not Young', 'Not Young', 'Young',
       'Young', 'Not Young', 'Not Young', 'Young', 'Young', 'Young',
       'Young', 'Not Young', 'Young', 'Young', 'Young', 'Not Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Not Young',
       'Young', 'Young', 'Not Young', 'Not Young', 'Young', 'Not Young',
       'Young', 'Not Young', 'Young', 'Young', 'Not Young', 'Young',
       'Not Young', 'Young', 'Young', 'Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Young', 'Not Young', 'Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Not Young',
       'Young', 'Not Young', 'Not Young', 'Not Young', 'Not Young',
       'Young', 'Not Young', 'Young', 'Not Young', 'Not Young', 'Young',
       'Young', 'Young', 'Not Young', 'Young', 'Young', 'Young', 'Young',
       'Young', 'Not Young', 'Not Young', 'Young', 'Not Young',
       'Not Young', 'Young', 'Not Young', 'Not Young', 'Not Young',
       'Not Young', 'Not Young', 'Not Young', 'Not Young', 'Young',
       'Young', 'Young', 'Not Young', 'Not Young', 'Young', 'Not Young',
       'Not Young', 'Young', 'Not Young', 'Not Young', 'Young',
       'Not Young', 'Not Young', 'Young', 'Not Young', 'Not Young',
       'Young', 'Not Young', 'Young', 'Not Young', 'Young', 'Young',
       'Not Young', 'Not Young', 'Young', 'Not Young', 'Not Young',
       'Young', 'Young', 'Not Young', 'Young', 'Young', 'Not Young',
       'Young', 'Not Young', 'Not Young', 'Not Young', 'Young', 'Young',
       'Not Young', 'Not Young', 'Young', 'Not Young', 'Not Young',
       'Not Young', 'Young', 'Not Young', 'Young', 'Not Young', 'Young',
       'Young', 'Not Young', 'Young', 'Not Young', 'Not Young', 'Young',
       'Not Young', 'Not Young', 'Young', 'Not Young', 'Not Young',
       'Young', 'Not Young', 'Young', 'Not Young', 'Not Young', 'Young',
       'Young', 'Not Young', 'Not Young', 'Not Young', 'Young', 'Young',
       'Young', 'Young', 'Not Young', 'Not Young', 'Young', 'Not Young',
       'Young', 'Young', 'Young', 'Not Young', 'Young', 'Young',
       'Not Young', 'Young', 'Not Young'], dtype='<U9')

As I said above, since Pandas is built on top of Numpy we can pass in numpy array to create a new Columns as shown below:

In [5]:

df["is Young"] = np.where(df.age < 30, "Young","Not Young")

In [6]:

df.head()

Out[6]:

	survived	pclass	sex	age	sibsp	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone	is Young
0	0	3	male	22.0	1	7.2500	S	Third	man	True	NaN	Southampton	no	False	Young
1	1	1	female	38.0	1	71.2833	C	First	woman	False	C	Cherbourg	yes	False	Not Young
2	1	3	female	26.0	0	7.9250	S	Third	woman	False	NaN	Southampton	yes	True	Young
3	1	1	female	35.0	1	53.1000	S	First	woman	False	C	Southampton	yes	False	Not Young
4	0	3	male	35.0	0	8.0500	S	Third	man	True	NaN	Southampton	no	True	Not Young

Using if with multiple conditions.¶

When we have multiple conditions, we can either use and or or with our conditions.
if we use and all of our conditions must be True for us to get a True value.
If we use or we get a True if any of the conditions are True.

Examples of multiple conditions with an And.

and is represented by & in pandas and numpy.
When using mutiple conditions we need to pass in each condition inside parentheses as shown below.

In [7]:

np.where((df.age >22) & (df.pclass <=3),"True","False")

Out[7]:

array(['False', 'True', 'True', 'True', 'True', 'False', 'True', 'False',
       'True', 'False', 'False', 'True', 'False', 'True', 'False', 'True',
       'False', 'False', 'True', 'False', 'True', 'True', 'False', 'True',
       'False', 'True', 'False', 'False', 'False', 'False', 'True',
       'False', 'False', 'True', 'True', 'True', 'False', 'False',
       'False', 'False', 'True', 'True', 'False', 'False', 'False',
       'False', 'False', 'False', 'False', 'False', 'False', 'False',
       'True', 'True', 'True', 'False', 'False', 'True', 'False', 'False',
       'False', 'True', 'True', 'False', 'False', 'False', 'True',
       'False', 'False', 'True', 'True', 'False', 'False', 'True', 'True',
       'True', 'False', 'False', 'False', 'True', 'False', 'True',
       'False', 'True', 'False', 'True', 'False', 'False', 'True', 'True',
       'True', 'False', 'True', 'True', 'True', 'False', 'True', 'True',
       'True', 'True', 'True', 'False', 'False', 'True', 'True', 'True',
       'False', 'False', 'True', 'False', 'True', 'False', 'False',
       'False', 'False', 'False', 'True', 'True', 'True', 'False',
       'False', 'False', 'True', 'True', 'True', 'False', 'False', 'True',
       'False', 'True', 'True', 'False', 'True', 'True', 'True', 'True',
       'False', 'True', 'False', 'True', 'False', 'False', 'True',
       'False', 'False', 'False', 'True', 'False', 'True', 'True', 'True',
       'False', 'True', 'True', 'False', 'True', 'False', 'True', 'False',
       'False', 'True', 'True', 'True', 'False', 'False', 'False',
       'False', 'True', 'False', 'True', 'True', 'False', 'False',
       'False', 'True', 'False', 'False', 'True', 'True', 'True', 'False',
       'False', 'False', 'False', 'False', 'False', 'False', 'True',
       'True', 'True', 'True', 'False', 'False', 'False', 'True', 'True',
       'False', 'True', 'False', 'True', 'True', 'False', 'True', 'True',
       'False', 'False', 'True', 'True', 'False', 'True', 'True', 'True',
       'False', 'True', 'False', 'True', 'True', 'True', 'True', 'True',
       'False', 'True', 'True', 'False', 'True', 'False', 'False',
       'False', 'False', 'False', 'True', 'True', 'True', 'False', 'True',
       'False', 'True', 'False', 'False', 'True', 'False', 'False',
       'True', 'False', 'True', 'True', 'True', 'True', 'True', 'True',
       'False', 'True', 'True', 'True', 'True', 'True', 'False', 'True',
       'True', 'True', 'False', 'False', 'True', 'True', 'False', 'True',
       'False', 'True', 'True', 'True', 'False', 'True', 'True', 'True',
       'False', 'True', 'True', 'False', 'False', 'True', 'True', 'True',
       'False', 'False', 'False', 'True', 'True', 'False', 'True',
       'False', 'True', 'False', 'True', 'True', 'True', 'False', 'True',
       'False', 'False', 'True', 'False', 'False', 'False', 'False',
       'False', 'False', 'False', 'False', 'True', 'True', 'True',
       'False', 'True', 'True', 'True', 'True', 'True', 'True', 'True',
       'True', 'False', 'True', 'True', 'False', 'False', 'True', 'True',
       'True', 'True', 'False', 'False', 'True', 'True', 'False', 'False',
       'False', 'True', 'True', 'True', 'True', 'False', 'True', 'True',
       'True', 'True', 'True', 'True', 'False', 'False', 'True', 'True',
       'False', 'False', 'True', 'False', 'True', 'False', 'True',
       'False', 'False', 'True', 'True', 'True', 'True', 'False', 'True',
       'True', 'False', 'False', 'True', 'True', 'False', 'False',
       'False', 'False', 'False', 'False', 'True', 'False', 'False',
       'True', 'False', 'True', 'True', 'False', 'False', 'False', 'True',
       'False', 'False', 'True', 'False', 'True', 'True', 'True', 'False',
       'True', 'True', 'True', 'True', 'True', 'True', 'False', 'True',
       'False', 'True', 'True', 'False', 'False', 'False', 'False',
       'False', 'True', 'False', 'True', 'False', 'True', 'False', 'True',
       'False', 'False', 'False', 'True', 'True', 'False', 'False',
       'True', 'False', 'False', 'True', 'True', 'False', 'True', 'False',
       'True', 'False', 'False', 'True', 'True', 'True', 'True', 'False',
       'True', 'True', 'False', 'False', 'False', 'True', 'False', 'True',
       'True', 'False', 'True', 'True', 'False', 'True', 'True', 'False',
       'True', 'False', 'True', 'True', 'True', 'True', 'False', 'True',
       'False', 'True', 'False', 'False', 'False', 'True', 'True', 'True',
       'False', 'False', 'True', 'True', 'False', 'False', 'False',
       'False', 'True', 'True', 'True', 'False', 'True', 'True', 'True',
       'False', 'False', 'False', 'True', 'True', 'False', 'False',
       'True', 'False', 'True', 'True', 'False', 'False', 'False', 'True',
       'False', 'False', 'True', 'False', 'True', 'True', 'True', 'False',
       'True', 'True', 'True', 'True', 'True', 'False', 'True', 'True',
       'True', 'False', 'False', 'True', 'False', 'True', 'True', 'False',
       'True', 'True', 'False', 'False', 'False', 'False', 'True',
       'False', 'True', 'True', 'False', 'False', 'True', 'False',
       'False', 'True', 'True', 'True', 'False', 'False', 'True', 'False',
       'False', 'True', 'False', 'False', 'False', 'True', 'True',
       'False', 'True', 'True', 'False', 'True', 'True', 'False', 'False',
       'True', 'False', 'True', 'False', 'True', 'True', 'True', 'True',
       'False', 'False', 'False', 'True', 'True', 'False', 'True', 'True',
       'True', 'True', 'True', 'False', 'False', 'True', 'True', 'False',
       'False', 'True', 'True', 'True', 'False', 'True', 'True', 'False',
       'True', 'False', 'True', 'True', 'False', 'False', 'True', 'True',
       'True', 'True', 'True', 'False', 'True', 'True', 'False', 'False',
       'False', 'True', 'True', 'True', 'True', 'False', 'True', 'True',
       'True', 'False', 'False', 'False', 'True', 'True', 'False', 'True',
       'False', 'True', 'True', 'True', 'False', 'False', 'True', 'True',
       'True', 'True', 'False', 'False', 'True', 'False', 'False',
       'False', 'True', 'False', 'True', 'False', 'True', 'False',
       'False', 'False', 'False', 'False', 'True', 'False', 'True',
       'True', 'True', 'True', 'True', 'True', 'True', 'False', 'True',
       'True', 'False', 'True', 'False', 'True', 'True', 'True', 'True',
       'False', 'False', 'True', 'False', 'True', 'True', 'False', 'True',
       'False', 'False', 'True', 'True', 'False', 'False', 'False',
       'False', 'True', 'False', 'False', 'True', 'True', 'True', 'True',
       'False', 'True', 'True', 'False', 'True', 'False', 'True', 'True',
       'True', 'True', 'True', 'False', 'False', 'True', 'False', 'True',
       'True', 'True', 'False', 'True', 'True', 'False', 'True', 'False',
       'False', 'True', 'True', 'True', 'False', 'True', 'False', 'True',
       'True', 'True', 'False', 'False', 'True', 'True', 'True', 'True',
       'True', 'False', 'False', 'False', 'True', 'False', 'True', 'True',
       'True', 'False', 'True', 'False', 'True', 'False', 'False', 'True',
       'True', 'True', 'False', 'True', 'False', 'True', 'True', 'False',
       'True', 'False', 'True', 'False', 'True', 'False', 'True', 'False',
       'True', 'True', 'True', 'True', 'False', 'True', 'False', 'False',
       'False', 'False', 'True', 'False', 'False', 'True', 'False',
       'True', 'True', 'False', 'False', 'False', 'True', 'False',
       'False', 'False', 'False', 'True', 'True', 'True', 'True', 'True',
       'True', 'True', 'True', 'False', 'False', 'True', 'True', 'True',
       'False', 'True', 'True', 'True', 'True', 'True', 'False', 'True',
       'False', 'True', 'True', 'True', 'False', 'True', 'True', 'True',
       'True', 'False', 'False', 'False', 'False', 'False', 'True',
       'False', 'False', 'False', 'True', 'False', 'True', 'False',
       'False', 'True', 'False', 'False', 'False', 'True', 'True',
       'False', 'True', 'False', 'True', 'True', 'False', 'False', 'True',
       'False', 'False', 'True', 'False', 'True', 'True', 'True', 'False',
       'True', 'False', 'True', 'False', 'True', 'True', 'True', 'True',
       'False', 'False', 'True', 'True', 'True', 'True', 'True', 'False',
       'False', 'False', 'False', 'True', 'True', 'True', 'False', 'True',
       'True', 'True', 'True', 'False', 'False', 'True', 'True'],
      dtype='<U5')

In [8]:

df["age and pclass test"] = np.where((df.age >22) & (df.pclass <=3),"True","False")

The and condition above, returns True if age column is more than 22 and the pclass is less than or equal to 3.

Note:

if you do not the values for True and False statements you will get the index of all the True Values.
the index can be used with the iloc ( Index Location) method to show only the True Values.

In [9]:

df.head()

Out[9]:

	survived	pclass	sex	age	sibsp	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone	is Young	age and pclass test
0	0	3	male	22.0	1	7.2500	S	Third	man	True	NaN	Southampton	no	False	Young	False
1	1	1	female	38.0	1	71.2833	C	First	woman	False	C	Cherbourg	yes	False	Not Young	True
2	1	3	female	26.0	0	7.9250	S	Third	woman	False	NaN	Southampton	yes	True	Young	True
3	1	1	female	35.0	1	53.1000	S	First	woman	False	C	Southampton	yes	False	Not Young	True
4	0	3	male	35.0	0	8.0500	S	Third	man	True	NaN	Southampton	no	True	Not Young	True

In [10]:

df.iloc[np.where((df.age >22) & (df.pclass <=3))]

Out[10]:

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone	is Young	age and pclass test
1	1	1	female	38.0	1	0	71.2833	C	First	woman	False	C	Cherbourg	yes	False	Not Young	True
2	1	3	female	26.0	0	0	7.9250	S	Third	woman	False	NaN	Southampton	yes	True	Young	True
3	1	1	female	35.0	1	0	53.1000	S	First	woman	False	C	Southampton	yes	False	Not Young	True
4	0	3	male	35.0	0	0	8.0500	S	Third	man	True	NaN	Southampton	no	True	Not Young	True
6	0	1	male	54.0	0	0	51.8625	S	First	man	True	E	Southampton	no	True	Not Young	True
8	1	3	female	27.0	0	2	11.1333	S	Third	woman	False	NaN	Southampton	yes	False	Young	True
11	1	1	female	58.0	0	0	26.5500	S	First	woman	False	C	Southampton	yes	True	Not Young	True
13	0	3	male	39.0	1	5	31.2750	S	Third	man	True	NaN	Southampton	no	False	Not Young	True
15	1	2	female	55.0	0	0	16.0000	S	Second	woman	False	NaN	Southampton	yes	True	Not Young	True
18	0	3	female	31.0	1	0	18.0000	S	Third	woman	False	NaN	Southampton	no	False	Not Young	True
20	0	2	male	35.0	0	0	26.0000	S	Second	man	True	NaN	Southampton	no	True	Not Young	True
21	1	2	male	34.0	0	0	13.0000	S	Second	man	True	D	Southampton	yes	True	Not Young	True
23	1	1	male	28.0	0	0	35.5000	S	First	man	True	A	Southampton	yes	True	Young	True
25	1	3	female	38.0	1	5	31.3875	S	Third	woman	False	NaN	Southampton	yes	False	Not Young	True
30	0	1	male	40.0	0	0	27.7208	C	First	man	True	NaN	Cherbourg	no	True	Not Young	True
33	0	2	male	66.0	0	0	10.5000	S	Second	man	True	NaN	Southampton	no	True	Not Young	True
34	0	1	male	28.0	1	0	82.1708	C	First	man	True	NaN	Cherbourg	no	False	Young	True
35	0	1	male	42.0	1	0	52.0000	S	First	man	True	NaN	Southampton	no	False	Not Young	True
40	0	3	female	40.0	1	0	9.4750	S	Third	woman	False	NaN	Southampton	no	False	Not Young	True
41	0	2	female	27.0	1	0	21.0000	S	Second	woman	False	NaN	Southampton	no	False	Young	True
52	1	1	female	49.0	1	0	76.7292	C	First	woman	False	D	Cherbourg	yes	False	Not Young	True
53	1	2	female	29.0	1	0	26.0000	S	Second	woman	False	NaN	Southampton	yes	False	Young	True
54	0	1	male	65.0	0	1	61.9792	C	First	man	True	B	Cherbourg	no	False	Not Young	True
57	0	3	male	28.5	0	0	7.2292	C	Third	man	True	NaN	Cherbourg	no	True	Young	True
61	1	1	female	38.0	0	0	80.0000	NaN	First	woman	False	B	NaN	yes	True	Not Young	True
62	0	1	male	45.0	1	0	83.4750	S	First	man	True	C	Southampton	no	False	Not Young	True
66	1	2	female	29.0	0	0	10.5000	S	Second	woman	False	F	Southampton	yes	True	Young	True
69	0	3	male	26.0	2	0	8.6625	S	Third	man	True	NaN	Southampton	no	False	Young	True
70	0	2	male	32.0	0	0	10.5000	S	Second	man	True	NaN	Southampton	no	True	Not Young	True
73	0	3	male	26.0	1	0	14.4542	C	Third	man	True	NaN	Cherbourg	no	False	Young	True
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
842	1	1	female	30.0	0	0	31.0000	C	First	woman	False	NaN	Cherbourg	yes	True	Not Young	True
843	0	3	male	34.5	0	0	6.4375	C	Third	man	True	NaN	Cherbourg	no	True	Not Young	True
845	0	3	male	42.0	0	0	7.5500	S	Third	man	True	NaN	Southampton	no	True	Not Young	True
847	0	3	male	35.0	0	0	7.8958	C	Third	man	True	NaN	Cherbourg	no	True	Not Young	True
848	0	2	male	28.0	0	1	33.0000	S	Second	man	True	NaN	Southampton	no	False	Young	True
851	0	3	male	74.0	0	0	7.7750	S	Third	man	True	NaN	Southampton	no	True	Not Young	True
854	0	2	female	44.0	1	0	26.0000	S	Second	woman	False	NaN	Southampton	no	False	Not Young	True
856	1	1	female	45.0	1	1	164.8667	S	First	woman	False	NaN	Southampton	yes	False	Not Young	True
857	1	1	male	51.0	0	0	26.5500	S	First	man	True	E	Southampton	yes	True	Not Young	True
858	1	3	female	24.0	0	3	19.2583	C	Third	woman	False	NaN	Cherbourg	yes	False	Young	True
860	0	3	male	41.0	2	0	14.1083	S	Third	man	True	NaN	Southampton	no	False	Not Young	True
862	1	1	female	48.0	0	0	25.9292	S	First	woman	False	D	Southampton	yes	True	Not Young	True
864	0	2	male	24.0	0	0	13.0000	S	Second	man	True	NaN	Southampton	no	True	Young	True
865	1	2	female	42.0	0	0	13.0000	S	Second	woman	False	NaN	Southampton	yes	True	Not Young	True
866	1	2	female	27.0	1	0	13.8583	C	Second	woman	False	NaN	Cherbourg	yes	False	Young	True
867	0	1	male	31.0	0	0	50.4958	S	First	man	True	A	Southampton	no	True	Not Young	True
870	0	3	male	26.0	0	0	7.8958	S	Third	man	True	NaN	Southampton	no	True	Young	True
871	1	1	female	47.0	1	1	52.5542	S	First	woman	False	D	Southampton	yes	False	Not Young	True
872	0	1	male	33.0	0	0	5.0000	S	First	man	True	B	Southampton	no	True	Not Young	True
873	0	3	male	47.0	0	0	9.0000	S	Third	man	True	NaN	Southampton	no	True	Not Young	True
874	1	2	female	28.0	1	0	24.0000	C	Second	woman	False	NaN	Cherbourg	yes	False	Young	True
879	1	1	female	56.0	0	1	83.1583	C	First	woman	False	C	Cherbourg	yes	False	Not Young	True
880	1	2	female	25.0	0	1	26.0000	S	Second	woman	False	NaN	Southampton	yes	False	Young	True
881	0	3	male	33.0	0	0	7.8958	S	Third	man	True	NaN	Southampton	no	True	Not Young	True
883	0	2	male	28.0	0	0	10.5000	S	Second	man	True	NaN	Southampton	no	True	Young	True
884	0	3	male	25.0	0	0	7.0500	S	Third	man	True	NaN	Southampton	no	True	Young	True
885	0	3	female	39.0	0	5	29.1250	Q	Third	woman	False	NaN	Queenstown	no	False	Not Young	True
886	0	2	male	27.0	0	0	13.0000	S	Second	man	True	NaN	Southampton	no	True	Young	True
889	1	1	male	26.0	0	0	30.0000	C	First	man	True	C	Cherbourg	yes	True	Young	True
890	0	3	male	32.0	0	0	7.7500	Q	Third	man	True	NaN	Queenstown	no	True	Not Young	True

483 rows × 17 columns

Let's do an example of the Or statment.

Or is represented by the "|"(pipeline) symbol in pandas and numpy.

In [11]:

np.where((df.age >22) | (df.sex == "Female"),"True","False")

Out[11]:

array(['False', 'True', 'True', 'True', 'True', 'False', 'True', 'False',
       'True', 'False', 'False', 'True', 'False', 'True', 'False', 'True',
       'False', 'False', 'True', 'False', 'True', 'True', 'False', 'True',
       'False', 'True', 'False', 'False', 'False', 'False', 'True',
       'False', 'False', 'True', 'True', 'True', 'False', 'False',
       'False', 'False', 'True', 'True', 'False', 'False', 'False',
       'False', 'False', 'False', 'False', 'False', 'False', 'False',
       'True', 'True', 'True', 'False', 'False', 'True', 'False', 'False',
       'False', 'True', 'True', 'False', 'False', 'False', 'True',
       'False', 'False', 'True', 'True', 'False', 'False', 'True', 'True',
       'True', 'False', 'False', 'False', 'True', 'False', 'True',
       'False', 'True', 'False', 'True', 'False', 'False', 'True', 'True',
       'True', 'False', 'True', 'True', 'True', 'False', 'True', 'True',
       'True', 'True', 'True', 'False', 'False', 'True', 'True', 'True',
       'False', 'False', 'True', 'False', 'True', 'False', 'False',
       'False', 'False', 'False', 'True', 'True', 'True', 'False',
       'False', 'False', 'True', 'True', 'True', 'False', 'False', 'True',
       'False', 'True', 'True', 'False', 'True', 'True', 'True', 'True',
       'False', 'True', 'False', 'True', 'False', 'False', 'True',
       'False', 'False', 'False', 'True', 'False', 'True', 'True', 'True',
       'False', 'True', 'True', 'False', 'True', 'False', 'True', 'False',
       'False', 'True', 'True', 'True', 'False', 'False', 'False',
       'False', 'True', 'False', 'True', 'True', 'False', 'False',
       'False', 'True', 'False', 'False', 'True', 'True', 'True', 'False',
       'False', 'False', 'False', 'False', 'False', 'False', 'True',
       'True', 'True', 'True', 'False', 'False', 'False', 'True', 'True',
       'False', 'True', 'False', 'True', 'True', 'False', 'True', 'True',
       'False', 'False', 'True', 'True', 'False', 'True', 'True', 'True',
       'False', 'True', 'False', 'True', 'True', 'True', 'True', 'True',
       'False', 'True', 'True', 'False', 'True', 'False', 'False',
       'False', 'False', 'False', 'True', 'True', 'True', 'False', 'True',
       'False', 'True', 'False', 'False', 'True', 'False', 'False',
       'True', 'False', 'True', 'True', 'True', 'True', 'True', 'True',
       'False', 'True', 'True', 'True', 'True', 'True', 'False', 'True',
       'True', 'True', 'False', 'False', 'True', 'True', 'False', 'True',
       'False', 'True', 'True', 'True', 'False', 'True', 'True', 'True',
       'False', 'True', 'True', 'False', 'False', 'True', 'True', 'True',
       'False', 'False', 'False', 'True', 'True', 'False', 'True',
       'False', 'True', 'False', 'True', 'True', 'True', 'False', 'True',
       'False', 'False', 'True', 'False', 'False', 'False', 'False',
       'False', 'False', 'False', 'False', 'True', 'True', 'True',
       'False', 'True', 'True', 'True', 'True', 'True', 'True', 'True',
       'True', 'False', 'True', 'True', 'False', 'False', 'True', 'True',
       'True', 'True', 'False', 'False', 'True', 'True', 'False', 'False',
       'False', 'True', 'True', 'True', 'True', 'False', 'True', 'True',
       'True', 'True', 'True', 'True', 'False', 'False', 'True', 'True',
       'False', 'False', 'True', 'False', 'True', 'False', 'True',
       'False', 'False', 'True', 'True', 'True', 'True', 'False', 'True',
       'True', 'False', 'False', 'True', 'True', 'False', 'False',
       'False', 'False', 'False', 'False', 'True', 'False', 'False',
       'True', 'False', 'True', 'True', 'False', 'False', 'False', 'True',
       'False', 'False', 'True', 'False', 'True', 'True', 'True', 'False',
       'True', 'True', 'True', 'True', 'True', 'True', 'False', 'True',
       'False', 'True', 'True', 'False', 'False', 'False', 'False',
       'False', 'True', 'False', 'True', 'False', 'True', 'False', 'True',
       'False', 'False', 'False', 'True', 'True', 'False', 'False',
       'True', 'False', 'False', 'True', 'True', 'False', 'True', 'False',
       'True', 'False', 'False', 'True', 'True', 'True', 'True', 'False',
       'True', 'True', 'False', 'False', 'False', 'True', 'False', 'True',
       'True', 'False', 'True', 'True', 'False', 'True', 'True', 'False',
       'True', 'False', 'True', 'True', 'True', 'True', 'False', 'True',
       'False', 'True', 'False', 'False', 'False', 'True', 'True', 'True',
       'False', 'False', 'True', 'True', 'False', 'False', 'False',
       'False', 'True', 'True', 'True', 'False', 'True', 'True', 'True',
       'False', 'False', 'False', 'True', 'True', 'False', 'False',
       'True', 'False', 'True', 'True', 'False', 'False', 'False', 'True',
       'False', 'False', 'True', 'False', 'True', 'True', 'True', 'False',
       'True', 'True', 'True', 'True', 'True', 'False', 'True', 'True',
       'True', 'False', 'False', 'True', 'False', 'True', 'True', 'False',
       'True', 'True', 'False', 'False', 'False', 'False', 'True',
       'False', 'True', 'True', 'False', 'False', 'True', 'False',
       'False', 'True', 'True', 'True', 'False', 'False', 'True', 'False',
       'False', 'True', 'False', 'False', 'False', 'True', 'True',
       'False', 'True', 'True', 'False', 'True', 'True', 'False', 'False',
       'True', 'False', 'True', 'False', 'True', 'True', 'True', 'True',
       'False', 'False', 'False', 'True', 'True', 'False', 'True', 'True',
       'True', 'True', 'True', 'False', 'False', 'True', 'True', 'False',
       'False', 'True', 'True', 'True', 'False', 'True', 'True', 'False',
       'True', 'False', 'True', 'True', 'False', 'False', 'True', 'True',
       'True', 'True', 'True', 'False', 'True', 'True', 'False', 'False',
       'False', 'True', 'True', 'True', 'True', 'False', 'True', 'True',
       'True', 'False', 'False', 'False', 'True', 'True', 'False', 'True',
       'False', 'True', 'True', 'True', 'False', 'False', 'True', 'True',
       'True', 'True', 'False', 'False', 'True', 'False', 'False',
       'False', 'True', 'False', 'True', 'False', 'True', 'False',
       'False', 'False', 'False', 'False', 'True', 'False', 'True',
       'True', 'True', 'True', 'True', 'True', 'True', 'False', 'True',
       'True', 'False', 'True', 'False', 'True', 'True', 'True', 'True',
       'False', 'False', 'True', 'False', 'True', 'True', 'False', 'True',
       'False', 'False', 'True', 'True', 'False', 'False', 'False',
       'False', 'True', 'False', 'False', 'True', 'True', 'True', 'True',
       'False', 'True', 'True', 'False', 'True', 'False', 'True', 'True',
       'True', 'True', 'True', 'False', 'False', 'True', 'False', 'True',
       'True', 'True', 'False', 'True', 'True', 'False', 'True', 'False',
       'False', 'True', 'True', 'True', 'False', 'True', 'False', 'True',
       'True', 'True', 'False', 'False', 'True', 'True', 'True', 'True',
       'True', 'False', 'False', 'False', 'True', 'False', 'True', 'True',
       'True', 'False', 'True', 'False', 'True', 'False', 'False', 'True',
       'True', 'True', 'False', 'True', 'False', 'True', 'True', 'False',
       'True', 'False', 'True', 'False', 'True', 'False', 'True', 'False',
       'True', 'True', 'True', 'True', 'False', 'True', 'False', 'False',
       'False', 'False', 'True', 'False', 'False', 'True', 'False',
       'True', 'True', 'False', 'False', 'False', 'True', 'False',
       'False', 'False', 'False', 'True', 'True', 'True', 'True', 'True',
       'True', 'True', 'True', 'False', 'False', 'True', 'True', 'True',
       'False', 'True', 'True', 'True', 'True', 'True', 'False', 'True',
       'False', 'True', 'True', 'True', 'False', 'True', 'True', 'True',
       'True', 'False', 'False', 'False', 'False', 'False', 'True',
       'False', 'False', 'False', 'True', 'False', 'True', 'False',
       'False', 'True', 'False', 'False', 'False', 'True', 'True',
       'False', 'True', 'False', 'True', 'True', 'False', 'False', 'True',
       'False', 'False', 'True', 'False', 'True', 'True', 'True', 'False',
       'True', 'False', 'True', 'False', 'True', 'True', 'True', 'True',
       'False', 'False', 'True', 'True', 'True', 'True', 'True', 'False',
       'False', 'False', 'False', 'True', 'True', 'True', 'False', 'True',
       'True', 'True', 'True', 'False', 'False', 'True', 'True'],
      dtype='<U5')

In [12]:

df["female or under 22"] = np.where((df.age >22) | (df.sex == "Female"),"True","False")

In [13]:

df.head()

Out[13]:

	survived	pclass	sex	age	sibsp	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone	is Young	age and pclass test	female or under 22
0	0	3	male	22.0	1	7.2500	S	Third	man	True	NaN	Southampton	no	False	Young	False	False
1	1	1	female	38.0	1	71.2833	C	First	woman	False	C	Cherbourg	yes	False	Not Young	True	True
2	1	3	female	26.0	0	7.9250	S	Third	woman	False	NaN	Southampton	yes	True	Young	True	True
3	1	1	female	35.0	1	53.1000	S	First	woman	False	C	Southampton	yes	False	Not Young	True	True
4	0	3	male	35.0	0	8.0500	S	Third	man	True	NaN	Southampton	no	True	Not Young	True	True