如何在逐行移动时在python中使用Apply函数

Question

如果某人一年内在会员名单中获胜，我想在“获胜者”栏中输入0或1。 有一本获奖字典。

award_winner = {'2010':['Momo','Dahyum'],'2011':['Nayeon','Sana'],'2012':['Moon','Jihyo']}

这是数据帧：

df = pd.DataFrame({'member':[['Jeong-yeon','Momo'],['Jay-z','Bieber'],['Kim','Moon']],'year' : ['2010','2011','2012']})

从数据框架中，我想根据字典查看每年（数据框架的年份）是否有获奖者。

例如，让我们看第一行。 Momo于2010年获胜，Moon于2012年获胜，因此数据框的预期输出应如下所示：

所以这是到目前为止的代码：

df['winner'] = 0 #empty column
def winner_classifier():
  for i in range(len(df['member'])): #searching if there are any award winner in df
    if df['member'][row][i] in award_winner[df['year'][row]]: #I couldn't make row to 
      return 1
    else:
      continue
df['winner'] = df['member'].apply(winner_classifier) 

或

在这里，我无法分配行。我希望代码能根据字典中的年份查找是否有获奖者。因此，代码应逐行检查，但我不能，

我总结了在栈溢出中要问的问题。但是有超过10,000行，我认为如果使用熊猫“ apply”来解决这个问题是可能的。 已经在不使用熊猫的情况下尝试了两次for loop，这花费了太长时间。 我试图使用groupby（）但我想知道我应该如何使用.. 喜欢。

df['winner'] = df['year'].groupby().apply(winner_classifier)..?

您能帮我吗？

谢谢：）

Answer 1

您可以在此处使用Python的set（）功能轻松比较两个任意长度的列表。

我将其写为逐行迭代器，因为我不确定您想要的结果是什么样（例如，您只想要对/错，还是要记录“获胜者”每一行？）。有了1万行，逐行遍历数据帧应该不是问题。

for index, row in df.iterrows():
    members_who_were_winners = set(row.member) & set(award_winner[row.year])
    if len(members_who_were_winners) > 0:
        # You could also write the member name to a new column etc
        df.at[index, 'winner_this_year'] = True
    else:
        df.at[index, 'winner_this_year'] = False

Answer 2

从字典创建df，以便以后可以合并

winners = pd.DataFrame({
    'year' : list(award_winner.keys()),
     'winner': list(award_winner.values())})
print (winners)

   year          winner
0  2010  [Momo, Dahyum]
1  2011  [Nayeon, Sana]
2  2012   [Moon, Jihyo]

现在合并并找到奖励与会员的交集

result = df.merge(winners, on="year")
result['result']  = result.apply(
    lambda x: len(set(x.member).intersection(x.winner)) != 0, axis=1)
result = result.drop(['winner'], axis=1)
print (result)

               member  year  result
0  [Jeong-yeon, Momo]  2010    True
1     [Jay-z, Bieber]  2011   False
2         [Kim, Moon]  2012    True