根据现有列中的值创建新列答案

【问题标题】：Create a new column based on values in an existing column根据现有列中的值创建新列
【发布时间】：2021-04-19 03:57:25
【问题描述】：

我想创建一个新列来分类某个地址是住宅地址还是非住宅地址。

下面是原始数据框中的一列：

Building_name
Fung Chak House, Choi Wan (II) Estate
Princess Margaret Hospital (non-residential)

如果字符串“non-residential”在 Building_name 中，我会编写下面的代码来创建一个新列，它将被归类为 Non-residential，否则它将被归类为 Residential。

def build_cat(row):
    if "(non-residential)" not in district_df['Building_name']:
        return ("Residential")
    if '(non-residential)' in district_df['Building_name']:
        return ('Non_residential')

district_df['Building_category'] = district_df.apply(lambda row: build_cat(row), axis =1)

但是，about 函数将所有内容都返回为 Residential。

Building_name	Building_cateory
Fung Chak House, Choi Wan (II) Estate	Residential
Princess Margaret Hospital (non-residential)	Residential

如果您可以让我知道我的代码有什么问题，或者是否有其他更有效的方法可以获得相同的结果，不胜感激。

谢谢。

【问题讨论】：

标签： python-3.x regex pandas dataframe

【解决方案1】：

或使用np.where 作为python if-else 三元运算符

cond = district_df['Building_name'].str.contains(r'\(non-residential\)')
district_df['Building_cateory'] = np.where(cond, 'Non_residential', 'Residential')

将函数应用到目标列Building_name。

def build_cat(x):
    if "(non-residential)" not in x:
        return "Residential"
    else:
        return 'Non_residential'
district_df['Building_category'] = district_df['Building_name'].map(build_cat)

【讨论】：

第一种方法的时序分析：1.03 ms ± 116 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 和第二种方法的时序742 µs ± 112 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

【解决方案2】：

我选择添加这个社区 wiki，以供学习：

在我的 Jupyter Notebook 上，我比较了 @MayankPorwal 和 @Ferris 的答案。结果如下：

首先，str.contains 和 np.where 方法：

import pandas as pd
import numpy as np

df = pd.DataFrame({'Building_name': ['Fung Chak House, Choi Wan (II) Estate', 'Princess Margaret Hospital (non-residential)', 'Fung Chak 1', 'Fung Chak 2 (non-residential)', 'Fung Chak 3']})

df = pd.concat([df] * 10000, ignore_index=True)

def prop():
    df['Building_cateory'] = np.where(df.Building_name.str.contains('non-residential'), 'Non-residential', 'residential')

现在，计时：

%timeit prop()

结果：

81.1 ms ± 15.5 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

另一方面，map() 方法：

import pandas as pd
import numpy as np

df = pd.DataFrame({'Building_name': ['Fung Chak House, Choi Wan (II) Estate', 'Princess Margaret Hospital (non-residential)', 'Fung Chak 1', 'Fung Chak 2 (non-residential)', 'Fung Chak 3']})

df = pd.concat([df] * 10000, ignore_index=True)

def prop():
    def build_cat(x):
        if "(non-residential)" not in x:
            return "Residential"
        else:
            return 'Non_residential'
    df['Building_category'] = df['Building_name'].map(build_cat)

现在，计时：

%timeit prop()

结果：

15.7 ms ± 1.13 ms per loop (mean ± std. dev. of 7 runs, 100 loops each)

因此，我们有一个明显的赢家！

【讨论】：

@jezrael，用你的想法来增加数据集的大小！
各位非常感谢。我是一个初学者，但最让我困惑的是有很多不同的方法可以在 python 中获得相同的结果。谢谢。
@1cjtcjj 请取消接受社区 wiki，并接受@Ferris 以我诚实的观点给出的答案，因为他值得称赞。至于there are so many different ways you can go to have the same result in python，是的，这就是python的魅力。
抱歉我的错误，因为我是 python 和 stackoverflow 的新手。我现在把功劳转给摩天。无论如何感谢您的帮助。

【解决方案3】：

使用numpy.where:

In [1197]: import numpy as np

In [1198]: df['Building_cateory'] = np.where(df.Building_name.str.contains('non-residential'), 'Non-residential', 'residential')

In [1199]: df
Out[1199]: 
                                  Building_name  Building_cateory
0         Fung Chak House, Choi_Wan (II) Estate       residential
1  Princess Margaret Hospital (non-residential)   Non-residential

【讨论】：

【解决方案4】：

试试下面的pandas技巧更快：

编辑

不，应用 lambda 更快。

使用str.contains 方法进行计时：

2.34 ms ± 367 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

使用 apply-lambda 方法进行计时：

1.08 ms ± 138 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

使用map() 方法最快：

742 µs ± 112 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

请注意，新列Building_category 是在#Line 1 之后创建的

import pandas as pd

df = pd.DataFrame({'Building_name': ['Fung Chak House, Choi Wan (II) Estate', 'Princess Margaret Hospital (non-residential)']})

# Line 1
df.loc[df[df['Building_name'].str.contains('(non-residential)')].index, 'Building_category'] = "Non_Residential"

# Line 2
df.loc[df[~df['Building_name'].str.contains('(non-residential)')].index, 'Building_category'] = "Residential"

print(df)

生成的输出：

                                  Building_name Building_category
0         Fung Chak House, Choi Wan (II) Estate       Residential
1  Princess Margaret Hospital (non-residential)   Non_Residential

【讨论】：

你会尝试 10k、100k 行进行测试吗？
@jezrael，不，因为我没有数据！
试试df = pd.concat([df] * 1000, ignore_index=True)
我认为使用str.contains 的正确方法是使用np.where 来设置@Ferris 在答案中所做的值，而不是我使用的两条单独的线！跨度>

【解决方案5】：

不确定这是最好的方法。然而，关于你得到的意外结果的确切问题，请在你的函数中将district_df 更改为row。像这样。如需更好的方法，请查看以下其他答案。氪

    def build_cat(row):
        if "(non-residential)" not in row['Building_name']:
            return ("Residential")
        if '(non-residential)' in row['Building_name']:
            return ('Non_residential')
    
    district_df['Building_category'] = district_df.apply(lambda row: build_cat(row), axis =1) 
    ```

【讨论】：