为基于同一熊猫数据框中其他列的列分配值

Question

使用数据框，我有一列，称为TM52_fail

2
1
-
1 & 2
1 & 2 & 3
-
-
3
etc.

我想创建一个名为TM52_fail_norm 的附加列，其内容取决于TM52_fail 列的内容。 我的尝试（包括条件填充）：

def str_to_number(x):
    if x=="1" or x=="2" or x=="3":
        return 1
    elif x=="1 & 2" or x=="2 & 3" or x=="1 & 3":
        return 2
    elif x=="1 & 2 & 3":
        return 3
    else:
        return 0

df['TM52_fail_norm'] = ""
df['TM52_fail_norm'].apply(lambda x: str_to_number(x for x in df['TM52_fail']))

返回一个空列（我推测是df['TM52_fail_norm'] = "" 的结果）。

Answer 1

我认为您需要通过astype 转换为字符串，然后应用函数str_to_number：

df['new'] = df['TM52_fail_norm'].astype(str).apply(str_to_number)
print (df)
  TM52_fail_norm  new
0              2    1
1              1    1
2              -    0
3          1 & 2    2
4      1 & 2 & 3    3
5              -    0
6              -    0
7              3    1

map by dict 的另一个解决方案，最后需要fillna by 0 并转换为int：

d = {'1':1,'2':1,'3':1,'1 & 2':2, '2 & 3':2, '1 & 3':2,'1 & 2 & 3':3}

df['new'] = df['TM52_fail_norm'].map(d)
df['new'] = df['new'].fillna(0).astype(int)
print (df)
  TM52_fail_norm  new
0              2    1
1              1    1
2              -    0
3          1 & 2    2
4      1 & 2 & 3    3
5              -    0
6              -    0
7              3    1

时间安排：

#[800000 rows x 1 columns]
df = pd.concat([df]*100000).reset_index(drop=True)

In [315]: %timeit (jez1(df))
10 loops, best of 3: 63 ms per loop

In [316]: %timeit (df['TM52_fail_norm'].astype(str).apply(str_to_number))
1 loop, best of 3: 518 ms per loop

#http://stackoverflow.com/a/40176883/2901002
In [345]: %timeit (df.TM52_fail_norm.str.count('\d+'))
1 loop, best of 3: 707 ms per loop


def jez1(df):
    d = {'1':1,'2':1,'3':1,'1 & 2':2, '2 & 3':2, '1 & 3':2,'1 & 2 & 3':3}

    df['new'] = df['TM52_fail_norm'].map(d)
    df['new'] = df['new'].fillna(0).astype(int)
    return (df)

print (jez1(df))

Answer 2

TL;DR：df.TM52_fail.str.count('\d+')

看来你真正想要的是数位数。在这里，pandas 的 .str 访问器方法（docs、summary of .str methods）真的很有帮助！

我想TM52_fail 的数据类型为str；否则，您可以按照@jezrael 的建议使用.astype(str) 进行投射：

# setup
import pandas as pd
df = pd.DataFrame({'TM52_fail':[
    "2", "1", "", "1 & 2", "1 & 2 & 3", "", "", "3"]})

# Use regex \d+ to find 1 or more consecutive digits
df['TM52_fail_norm2'] = df.TM52_fail.str.count('\d+')

时间

Regex: 155 µs per loop
 jez1: 999 µs per loop