id name gender
0 13 John Smith 0
1 46 Jim Jeffries 2
2 75 Jennifer Johnson 0
3 37 Sam Adams 0
4 24 John Cleese 0
5 17 Taika Waititi 0
我有很多人的名字和性别在df中,取自电影演员的数据库。性别被分配1(女性),2(男性)或0(未列出)。我想通过名字梳理并无情地假设性别。名称将存储在列表中,并手动填写。也许我发现一个ID不具有性别非特定名称的人,如果他们是男性/女性,我会发现自己,我也想注入它:
m_names = ['John', ...]
f_names = ['Jennifer', ...]
m_ids = ['37', ...]
f_ids = ['', ...]
我已经很好地控制了for循环和np.where,但我无法弄清楚如何逐行完成这个df。
如果要使用上面的内容,我想要返回的内容如下:
for index, row in df.iterrows():
if row['gender'] == 0:
if row['name'].str.contains(' |'.join(f_names)) or row['id'].str.contains('|'.join(f_ids)):
return 1
elif row['name'].str.contains(' |'.join(m_names)) or row['id'].str.contains('|'.join(m_ids)):
return 2
print(df)
id name gender
0 13 John Smith 2
1 46 Jim Jeffries 2
2 75 Jennifer Johnson 1
3 37 Sam Adams 2
4 24 John Cleese 2
5 17 Taika Waititi 0
注意'|'之前的空格在名称的条件,以避免抓住姓氏的任何部分。
在这一点上,我遇到了如何格式化if语句的问题。 Python不喜欢我的格式,并说我的'返回'是'外部功能'。如果我改变这些
row['gender'] = #
我遇到了unicode和我对'str'和'contains'的使用问题。
好像你需要np.select
而不需要循环
df['gender'] = np.select([df.name.str.contains(" |".join(m_names)),
df.name.str.contains(" |".join(f_names))],
[2, 1],
default=3)
你可以使用Pandas函数isin
https://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.isin.html
df.loc[df.name.isin(m_names), 'gender'] = 2
您可以先构造并组合布尔蒙版。例如:
m_zero = df['gender'].eq(0)
m_name_female = df['name'].str.contains(' |'.join(f_names))
m_name_male = df['name'].str.contains(' |'.join(m_names))
m_id_female = df['id'].str.contains('|'.join(f_ids))
m_id_male = df['id'].str.contains('|'.join(m_ids))
female_mask = m_zero & (m_name_female | m_id_female)
male_mask = m_zero & (m_name_male | m_id_male)
然后通过pd.DataFrame.loc
应用逻辑:
df.loc[female_mask, 'gender'] = 1
df.loc[male_mask, 'gender'] = 2
或者使用嵌套的numpy.where
:
df['gender'] = np.where(female_mask, 1, np.where(male_mask, 2, df['gender']))
或者,如果您希望提供标量默认值,请使用numpy.select
:
df['gender'] = np.select([female_mask, male_mask], [1, 2], 3)