使用在另一个 DataFrame 中找到的值创建一个新列

Question

我有两个数据框：

• df_components：唯一组件列表（ID、DESCRIPTION）
• dataset：CSV 中的几行和几列（其中一列包含组件的描述）。

我需要根据df_components在dataset中创建一个新列，其组件的ID。

我尝试过这样做：

根据索引创建df_components 和ID 列

components = dataset["COMPDESC"].unique()
df_components = pd.DataFrame(components, columns=['DESCRIPTION'])
df_components.sort_values(by='DESCRIPTION', ascending=True, inplace=True)
df_components.reset_index(drop=True, inplace=True)
df_components.index += 1
df_components['ID'] = df_components.index

样本输出：

                                           DESCRIPTION   ID
1                                             AIR BAGS    1
2                                     AIR BAGS:FRONTAL    2
3               AIR BAGS:FRONTAL:SENSOR/CONTROL MODULE    3
4                                 AIR BAGS:SIDE/WINDOW    4

在数据集中创建COMP_ID：

def create_component_id_column(row):
    found = df_components[df_components['DESCRIPTION'] == row['COMPDESC']]
    return found.ID if len(found.index) > 0 else None

dataset['COMP_ID'] = dataset.apply(lambda row: create_component_id_column(row), axis=1)

但是这给了我错误ValueError: Wrong number of items passed 248, placement implies 1。 df_components 上的项目数为 248。

如何使用df_components 上的项目的 ID 创建这个新列？

Answer 1

您的逻辑似乎过于复杂。由于您目前正在从dataset创建df_components，更好的主意是将Categorical Data 与dataset 一起使用。这意味着您不需要创建df_components。

第 1 步

将dataset['COMPDESC'] 转换为分类。

dataset['COMPDESC'] = dataset['COMPDESC'].astype('category')

第 2 步

从分类代码创建 ID。由于类别默认按字母顺序排序，并且索引从 0 开始，因此在代码中添加 1。

dataset['ID'] = dataset['COMPDESC'].cat.codes + 1

如果您愿意，可以将整个分类映射提取到字典：

cat_map = dict(enumerate(dataset['COMPDESC'].cat.categories))

请记住，如果您希望 ID 从 1 开始，则始终存在 1 个偏移量。此外，每次“DESCRIPTION”更改时，您都需要明确更新“ID”。

使用分类数据的优势

• 内存效率：字符串只存储一次。
• 结构：您定义类别并拥有自动数据验证层。
• 一致：由于类别到代码的映射始终是一对一的，因此即使添加了新类别，它们也将始终保持一致。