根据多个其他列中存在的部分字符串创建列答案

【问题标题】：Creating a column based on the presence of part of a string in multiple other columns根据多个其他列中存在的部分字符串创建列
【发布时间】：2019-01-08 05:35:25
【问题描述】：

我有一个名为 df 的数据框，看起来与此类似（除了“mat_deliv”列的数量上升到 mat_deliv_8 并且有数百个客户端 - 我在这里对其进行了简化）。

Client_ID  mat_deliv_1  mat_deliv_2  mat_deliv_3  mat_deliv_4
C1019876   xxx,yyy,zzz  aaa,bbb,xxx  ccc          ddd
C1018765   yyy,zzz      xxx          bbb          None
C1017654   yyy,xxx      aaa,bbb      ccc          ddd
C1016543   aaa,bbb      ccc          None         None
C1019876   yyy          None         None         None

我想创建一个名为xxx_deliv 的新列，其中包含两个值0 和1。如果mat_deliv_1、mat_deliv_2、mat_deliv_3 或mat_deliv_4 中的任何一个包含xxx，我想将xxx_deliv 设置为等于1，如果它们不包含0。

所以，我想添加一个列，以 df 为例，如下所示：

Client_ID  mat_deliv_1  mat_deliv_2  mat_deliv_3  mat_deliv_4  xxx_deliv
C1019876   xxx,yyy,zzz  aaa,bbb,xxx  ccc          ddd          1
C1018765   yyy,zzz      xxx          bbb          None         1
C1017654   yyy,xxx      aaa,bbb      ccc          ddd          1
C1016543   aaa,bbb      ccc          None         None         0
C1019876   yyy          None         None         None         0

我知道以下代码执行所需的任务：

df['xxx_deliv'] = 0
df.loc[(df.Mat_deliv_1.str.contains("xxx", na=False)) |
       (df.Mat_deliv_2.str.contains("xxx", na=False)) |
       (df.Mat_deliv_3.str.contains("xxx", na=False)) |
       (df.Mat_deliv_4.str.contains("xxx", na=False)),
       'xxx_deliv'] = 1

但我希望能够做到这一点，而无需遍历每一列 - 我需要能够一次搜索多个列。

【问题讨论】：

标签： python string pandas

【解决方案1】：

您需要单独检查每一列。您可以通过apply 执行此操作，检查字符串是否包含目标文本。然后将any 应用于该行（通过指定axis=1）。通过.astype(int) 将布尔结果转换为整数，然后使用assign 将其作为新列添加到数据帧中。

我使用loc[:, target_cols] 将我的搜索范围指定为数据框中的所有行以及所有选择的target_cols。

target_cols = ['mat_deliv_1', 'mat_deliv_2', 'mat_deliv_3', 'mat_deliv_4']
df = (df
      .assign(xxx_deliv=df.loc[:, target_cols].apply(lambda col: col.str.contains('xxx'))
      .any(axis=1)
      .astype(int))
>>> df
  Client_ID  mat_deliv_1  mat_deliv_2 mat_deliv_3 mat_deliv_4  xxx_deliv
0  C1019876  xxx,yyy,zzz  aaa,bbb,xxx         ccc         ddd          1
1  C1018765      yyy,zzz          xxx         bbb        None          1
2  C1017654      yyy,xxx      aaa,bbb         ccc         ddd          1
3  C1016543      aaa,bbb          ccc        None        None          0
4  C1019876          yyy         None        None        None          0

【讨论】：

效果很好，谢谢亚历山大。我进行了一次编辑，将 iloc 替换为 loc，因为我在 Client_ID 和 mat_deliv_1 之间有许多列，而且这个数字可能会改变；通过标签而不是位置进行修复意味着我将来不必更改脚本：df = df.assign(xxx_deliv=df.loc[:, "mat_deliv_1":"mat_deliv_4"].apply(lambda col: col.str.contains('xxx')).any(axis=1).astype(int)) 我将不得不了解更多关于lambda 的信息，我到处都看到了！
@FGreen 请参阅上面的编辑答案。我添加了一个列表容器来保存您要检查内容的目标列。
谢谢@Alexander - 快速跟进问题：如果我希望xxx_deliv 列计算xxx 在四个mat_deliv 列中出现的次数（例如2 在第 0 行，1 在第 1 行），而不仅仅是缺席/在场的二进制 0/1 值？
@FGreen 您应该将后续问题作为新问题提出（提供原始问题的链接以提供上下文）。这种情况可以试试..apply(lambda col: col.str.count('xxx')).sum(axis=1)
这里提出的新问题：[stackoverflow.com/questions/54098875/…Thanks Alexander.

【解决方案2】：

你可以使用apply:

def contains(xs, pat='xxx'):
    return int(any(pat in x for x in xs.values))


df['xxx_deliv'] = df[['mat_deliv_1', 'mat_deliv_2', 'mat_deliv_3', 'mat_deliv_4']].apply(contains, axis=1)
print(df)

输出

  Client_ID  mat_deliv_1    ...    mat_deliv_4 xxx_deliv
0  C1019876  xxx,yyy,zzz    ...            ddd         1
1  C1018765      yyy,zzz    ...           None         1
2  C1017654      yyy,xxx    ...            ddd         1
3  C1016543      aaa,bbb    ...           None         0
4  C1019876          yyy    ...           None         0

[5 rows x 6 columns]

【讨论】：