用熊猫清理此数据

Question

因此，我试图在excel文件中向下钻取一列数据，然后将其作为熊猫导入到Python中，以便管理更多项目。

如您所见，说淋巴瘤的方法很多。我正在尝试将这些项目降低到基本情况，因此对于任何类型的淋巴瘤，仅是淋巴瘤。对于癌症，仅癌症，依此类推。

你们有什么建议吗？

Answer 1

最简单的方法是用关键字替换整个字符串：

df['Conditions'].str.replace('.*(Lymphoma|Cancer).*', '\\1', case=False)

但是这种解决方案相当不精确。如果某些类型的淋巴瘤实际上应被视为癌症，或者不包含关键字“淋巴瘤”的淋巴瘤病症，则无效。

---

一种更精确的方法是明确列出所有被认为是淋巴瘤和癌症的疾病，并相应地予以替代：

replacements = {
    'Lymphoma': ['Lymphoma', 'Follicular Lymphoma', 'Lymphoma, B-Cell', 'B-Cell Lymphoma', 'XYZ'],
    'Cancer': ['Cancer A', 'Cancer B']
}

# explode requires pandas 0.25 or later
s = pd.Series(replacements).explode()
m = pd.Series(s.index, index=s.str.upper()).to_dict()

df['Conditions'].str.upper().map(m)

有upper个调用可以处理字符大小写。