我最近发了一个关于如何使用R的子集的问题。在R中根据向量中指定的列表子集数据框(使用 "start with "表达式或等价物)。
用户@Ric S非常友好地提供了这个问题的R答案。R的解决方案是。
library(dplyr)
df %>%
filter_at(vars(-ID), any_vars(grepl(paste(medications, collapse = "|"), .)))
然而,我的印象是Python可能更省时。总结一下,我试图在一个超过100万行的数据集中识别任何参与者处方的他汀类药物,并在此基础上进行子集。我有一个列表,其中包括这些药物的所有代码(我只是为了演示而编造了一些),接下来我想通过数据框架进行搜索,并将其子集到任何有药物代码 "以" 任何 的元素。在这个例子中,循环似乎是多余的,但我将为一些药物类别运行这个代码。
示例数据集,称为 meds_df
:
ID readcode_1 readcode_2 generic_name
1 1001 bxd1 1146785342 Simvastatin
2 1002 <NA> <NA> <NA>
3 1003 <NA> <NA> Pravastatin
4 1004 <NA> <NA> <NA>
5 1005 bxd4 45432344 <NA>
6 1006 <NA> <NA> <NA>
7 1007 <NA> <NA> <NA>
8 1008 <NA> <NA> <NA>
9 1009 <NA> <NA> <NA>
10 1010 bxde <NA> <NA>
11 1011 <NA> <NA> <NA>
与预期的输出是。
ID readcode_1 readcode_2 generic_name
1 1001 bxd1 1146785342 Simvastatin
3 1003 <NA> <NA> Pravastatin
5 1005 bxd4 45432344 <NA>
10 1010 bxde <NA> <NA>
根据其他stackoverflow的问题,我的代码到目前为止,我还需要在这里嵌入any()或类似的代码。
list_to_extract = ["bxd", "Simvastatin", "1146785342", "45432344", "Pravastatin"]
variable_list = ['statins']
for m in variable_list:
print('extracting individuals prescribed %s' %m)
test = meds_df.loc[meds_df['readcode_1', 'readcode_2','generic_name'].str.startswith(list_to_extract, na=False)]
print(test)
Error recieved:
KeyError: ('readcode_1', 'readcode_2','generic_name')
任何帮助都将是非常感激的!
首先,正确的语法是 meds_df[['readcode_1', 'readcode_2','generic_name']]
(list
的列名)。) 这就是为什么你得到一个 KeyError
.
回答你的问题,这里有一个方法可以实现。
# Updated to use tuple per David's suggestion
idx = pd.concat((med_df[col].astype(str).str.startswith(tuple(list_to_extract)) for col in ['readcode_1', 'readcode_2','generic_name']), axis=1).any(axis=1)
med_df.loc[idx]
Result:
ID readcode_1 readcode_2 generic_name
1 1001 bxd1 1.146785e+09 Simvastatin
3 1003 NaN NaN Pravastatin
5 1005 bxd4 4.543234e+07 NaN
10 1010 bxde NaN NaN
你可以用apply的方法来完成这个任务
list_to_extract = ["bxd", "Simvastatin", "1146785342", "45432344", "Pravastatin"]
bool_df = df[['readcode_1', 'readcode_2','generic_name']].apply(lambda x: x.str.startswith(tuple(list_to_extract), na=False), axis=1)
df.loc[bool_df[bool_df.any(axis=1)].index]
输出:
ID readcode_1 readcode_2 generic_name
1 1001 bxd1 1.146785e+09 Simvastatin
3 1003 NaN NaN Pravastatin
5 1005 bxd4 4.543234e+07 NaN
10 1010 bxde NaN NaN
感谢r. ook发现了一个小错误。
另一种解决方案,在重新创建数据框架之前,字符串处理发生在vanilla python中。
list_to_extract = ["bxd", "Simvastatin", "1146785342", "45432344", "Pravastatin"]
cols_to_search = ['readcode_1', 'readcode_2','generic_name']
output = [(ID, *searchbox)
for ID, searchbox in zip(df.ID,df.filter(cols_to_search).to_numpy())
if any([str(box).startswith(tuple(list_to_extract)) for box in searchbox])]
pd.DataFrame(output, columns = df.columns)
ID readcode_1 readcode_2 generic_name
0 1001 bxd1 1.146785e+09 Simvastatin
1 1003 NaN NaN Pravastatin
2 1005 bxd4 4.543234e+07 NaN
3 1010 bxde NaN NaN