根据现有列的部分字符串内容向新的 Pandas 数据框列添加值答案

【问题标题】：Adding values to new Pandas dataframe column based on partial string contents of existing column根据现有列的部分字符串内容向新的 Pandas 数据框列添加值
【发布时间】：2017-11-15 02:01:09
【问题描述】：

我使用 Python Pandas 将数据存储为数据框。在这些列中，我有一个“产品”列，其中包含品牌名称和型号（例如 Nike Air Jordan、Adidas Gazelle）。我想创建一个只包含品牌（例如 Nike、Adidas）的新列，稍后我将在 groupby 中使用它来汇总数据。根据我的研究，我相信 contains 和 regex 可以用来做到这一点。但是，实施并没有奏效。我还看到了不同的方法，一些使用“for i in range”，而另一些则在一行代码中使用它作为替换。

import pandas as pd
import numpy as np

shoes_df = pd.DataFrame({'Product':['Nike vaporfly', 'Nike Jordans', 'Adidas supernova', 'Asics Kayano', 'Asics GT2010', 'Adidas gazelle', 'Nike air max',
                                  'Nike Lebron'], 'Unit sales':[1500, 1600,
2341, 1345, 4523, 2345, 1634, 3129]})

shoes_df['Brand'] = np.where(shoes_df['Product'].str.contains('Nike.*|Adidas.*').any(), 'Nike|Adidas', np.nan)

print(shoes_df)

这是我尝试使用“for i in range”的方法，但也没有用。在这里，我收到错误“TypeError：'Series' 对象是可变的，因此它们不能被散列”

shoes_df = pd.DataFrame({'Product':['Nike vaporfly', 'Nike Jordans', 'Adidas supernova', 'Asics Kayano', 'Asics GT2010', 'Adidas gazelle', 'Nike air max',
                                  'Nike Lebron'], 'Unit sales':[1500, 1600, 2341, 1345, 4523,
                                   2345, 1634, 3129]})

for i in shoes_df.iterrows():
    if shoes_df['Product'].str.contains('Nike').any():
        shoes_df.set_value(i, 'Brand', 'Nike')
    elif shoes_df['Product'].str.contains('Adidas').any():
        shoes_df.set_value(i, 'Brand', 'Adidas')
    elif shoes_df['Product'].str.contains('Asics').any():
        shoes_df.set_value(i, 'Brand', 'Asics')
    else:
        shoes_df.set_value(i, 'Brand', np.nan)

【问题讨论】：

标签： python pandas

【解决方案1】：

IIUC：

shoes_df['brand'] = shoes_df.Product.str.extract(pat='(Nike|Adidas|Asics)',expand=False)

输出：

            Product  Unit sales   brand
0     Nike vaporfly        1500    Nike
1      Nike Jordans        1600    Nike
2  Adidas supernova        2341  Adidas
3      Asics Kayano        1345   Asics
4      Asics GT2010        4523   Asics
5    Adidas gazelle        2345  Adidas
6      Nike air max        1634    Nike
7       Nike Lebron        3129    Nike

【讨论】：

这成功了，而且很容易理解。我错过了使用提取物。谢谢你。当品牌不是第一个词并且仍然有效时，也进行了测试。

【解决方案2】：

选项 1（艰难的方式）
str.extract

brands = ['Nike', 'Adidas', 'Asics']
df['Brand'] = df.Product.str.extract('({})'.format('|'.join(brands)), expand=True)

df

            Product  Unit sales   Brand
0     Nike vaporfly        1500    Nike
1      Nike Jordans        1600    Nike
2  Adidas supernova        2341  Adidas
3      Asics Kayano        1345   Asics
4      Asics GT2010        4523   Asics
5    Adidas gazelle        2345  Adidas
6      Nike air max        1634    Nike
7       Nike Lebron        3129    Nike

选项 2（稍微简单一些）
str.split

df['Brand'] = df.Product.str.split().str[0]
df

            Product  Unit sales   Brand
0     Nike vaporfly        1500    Nike
1      Nike Jordans        1600    Nike
2  Adidas supernova        2341  Adidas
3      Asics Kayano        1345   Asics
4      Asics GT2010        4523   Asics
5    Adidas gazelle        2345  Adidas
6      Nike air max        1634    Nike
7       Nike Lebron        3129    Nike

您可以稍微扩展一下，用NaN 替换不在brands 中的任何内容：

df['Brand'] = np.where(df.Brand.isin(brands), df.Brand, np.nan)

【讨论】：

谢谢。第一个在不同的迭代中工作。当品牌是第一个词时，选项 2 有效，但如果品牌在字符串中较晚出现，则返回另一个词。无论品牌在哪里，选项 1 都有效。
@skibbereen 这就是为什么我在选项 2 之前提供选项 1 ;/
@cᴏʟᴅsᴘᴇᴇᴅ - 骗子，stackoverflow.com/q/47292599/2901002，请查找匹配或未解决的问题。

【解决方案3】：

如果您可以假设品牌始终是第一个词，那么该解决方案可让您灵活地捕捉已知列表之外的品牌，因此只需添加它以引起兴趣：

shoes_df['Product'].str.extract('^([^\s]+)\s')

【讨论】：