Question

我有一个dataframe列，其中包含多个不同的文本限定符，并且我希望能够设置一个新列，该列针对每一行检查文本是否在每一行中，是否这样做或是否如此。我正在尝试剥离数据，只返回下面的蔬菜和淀粉，但是由于数据中的关键字种类繁多，我不能只说COL1中的蔬菜是否是col2 =蔬菜。

示例：

     df['COL1']
0 PB~Cucumber_IT~_TL~Vegatables_SP~
1 PB~Potato_IT~_TB~Starch_SP~
2 PB~Onion_IT~_PE~Vegatables_BA~

我尝试过：

for i in df['COL1']:
    if 'TL~' in df['COL1'][i]:
        df['COL2'][i] = df['COL1'][i].str.split('TL~').str[1].str.split('_SP~').str[0]
     elif 'TB~' in df['COL1'][i]:
         df['COL2'][i] = df['COL1'][i].str.split('TB~').str[1].str.split('_SP~').str[0]
     elif 'PE~' in df['COL1'][i]:
         df['COL2'][i] = df['COL1'][i].str.split('PE~').str[1].str.split('_BA~').str[0]

预期输出：

     df['COL2']
0 Vegatables
1 Starch
2 Vegatables

df.info（）输出： *注意-为了适应需要，我删除了一些列，并出于隐私目的将其重命名。 thiscolumn是我要使用的df列：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 54 entries, 0 to 53
Data columns (total 16 columns):
notthiscolumn4            54 non-null object
thiscolumn                54 non-null object
notthiscolumn3            54 non-null object
notthiscolumn2            54 non-null object
notthiscolumn             54 non-null object
dtypes: object(16)

尝试不同的操作时，我遇到了各种各样的错误： -str没有属性str -当它表示它是一个np.object时，我曾尝试使用iterrows，但随后出现索引问题。 -值的长度与索引的长度不匹配。

任何方向都值得赞赏！

Answer 1

IIUC，在这种情况下，您可以申请np.select参见doc

import numpy as np
import pandas as pd
from io import StringIO

txt ="""COL1
0 PB~Cucumber_IT~_TL~Vegatables_SP~
1 PB~Potato_IT~_TB~Starch_SP~
2 PB~Onion_IT~_PE~Vegatables_BA~"""

df = pd.read_csv(StringIO(txt),
                 delim_whitespace=True)

condList = [df["COL1"].str.contains("TL~"),
            df["COL1"].str.contains("TB~"),
            df["COL1"].str.contains("PE~")]

choiceList = [df["COL1"].str.split('TL~').str[1].str[:-4],
              df["COL1"].str.split('TB~').str[1].str[:-4],
              df["COL1"].str.split('PE~').str[1].str[:-4]]

df["COL2"] = np.select(condList, choiceList)

您必须确保所有条件都是互斥的。

Answer 2

无需使用numpy，pandas可以通过多种方式进行此类操作。

import pandas as pd

def parse_row_col1(row):
    result = ""
    if 'TL~' in row.COL1:
        result = row.COL1.split('TL~')[1].split('_SP~')[0]
    elif 'TB~' in row.COL1:
        result = row.COL1.split('TB~')[1].split('_SP~')[0]
    elif 'PE~' in row.COL1:
        result = row.COL1.split('PE~')[1].split('_BA~')[0]
    return result


parse_res = pd.Series((parse_row_col1(curr) for curr in df.itertuples(index=False)))

这种在行元组上迭代的方法并不比使用numpy的select快，但是在处理大量条件时应该简单得多。不仅如此，而且正如@rpanai在其答案中指出的那样，select仅能处理互斥条件，而上述解决方案无论如何都起作用。

使用if的

2 个答案: