如果一列在（州）列表中包含子字符串（美国州），则在熊猫 df 中更改值（到美国）

Question

我刮了推特，想整理推文的位置。所有数据都在 pandas 数据框中，我使用的是 Python 3。我想在 location 列上做一些工作，看起来类似于：

['位置']
亚利桑那州斯科茨代尔
英国伦敦
美国
（无价值）
加利福尼亚州米申维耶荷

等等……

位置数据很混乱，我想简化它，首先将美国归类为一个。

为此，我有一个州代码列表：state_list。我正在尝试将包含任何州代码的单元格替换为美国。我已经找到了如何通过硬编码特定状态来做到这一点。

df.loc[df.location.str.contains('CA'), 'location'] = 'USA'

上面是比较整个列的值是否等于state_list中的一个项目

但我无法使用 state_list 来做到这一点，我尝试使用 isin(state_list) 代替 str.contains('CA')

df.loc[df.location.isin(state_list), 'location'] = 'USA'

这似乎什么也没做。我还尝试了一个 for 循环，对下面的代码进行了各种迭代，但无济于事。

for states in state_list:
    if df.loc[df.location.isin(state_list)]:
        df['location'] = 'USA'

我觉得这个问题应该有一个“简单”的答案，但找不到解决方案，现在已经开始绕圈子了，所以决定问一下。任何帮助都非常感谢并感谢您的阅读。

答案如下，谢谢大家的帮助。

pat = r', \b{}\b'.format('|'.join(state_list))
df.loc[df.location.str.contains(pat), 'location'] = 'USA'

尽管正如 Håken 指出的那样，这可能会导致 *“加拿大 CA 的意外匹配（例如）。”有关更多信息，请参阅下面的 cmets 答案。

Answer 1

你真的很亲密，需要state_list 中的所有值| 用于正则表达式OR 用于检查state_list 的子字符串：

感谢@Jon Clements 通过word boundary 提供更好的解决方案：

pat = r'\b{}\b'.format('|'.join(state_list))
df.loc[df.location.str.contains(pat, na=False), 'location'] = 'USA'

编辑1：

感谢@Håken Lid 提出另一个建议 -

如果状态总是出现在逗号和空格之后，您可以通过使其更加具体来加速正则表达式。

pat = r', ({})$'.format('|'.join(state_list))

示例：

print (df)
            location
0     Scottsdale, AZ
1         London, UK
2                USA
3                NaN
4  Mission Viejo, CA

state_list = ['AZ','CA']
pat = r'\b{}\b'.format('|'.join(state_list))
df.loc[df.location.str.contains(pat, na=False), 'location'] = 'USA'

print (df)
     location
0         USA
1  London, UK
2         USA
3         NaN
4         USA