熊猫数据框中的矢量化字符串操作

Question

我有一个大的 DataFrame，类似于

import pandas as pd

sqldate = pd.Series(["2014-0-1", "2015-10-10", "1990-23-2"])
pdf = pd.Series(["2014.pdf", "2015.pdf", "1999.pdf"])

df = pd.DataFrame({"sqldate":sqldate, "pdf": pdf})

我想创建一个布尔列，指示 sqldate 的年份是否与 pdf 名称的年份相同。

forloop 很容易做到这一点的另一种情况，但我想对其进行矢量化以提高速度/清洁度。但我不知道怎么做。

我尝试了更简单的方法，甚至只是制作了一个 df['newcol'] 并尝试从日期中删除左边的四个字符。像 df['newcol'] = df['sqldate'][0:4] 但失败了。它只生成 newcol = sqldate 的前四行，其余行 Nan，因为它将 [0:4] 解释为索引选择器。

对于在数据帧上使用操纵字符串值的更优雅、矢量化的方式有什么建议吗？

Answer 1

您可以使用Series.str 在列上使用字符串函数。因此df['sqldate'].str[0:4] 将提取前 4 个字符（如果它们存在），然后检查两列（pdf 和 sqldate）的前四个字符是否相同，并将结果放入 'newcol'：

df['newcol'] = df['sqldate'].str[0:4]==df['pdf'].str[0:4]

查看更多关于字符串函数的信息：

http://pandas.pydata.org/pandas-docs/stable/text.html