Powiedzmy, że mam następującą ramkę danych (kolumnę liczb całkowitych i kolumnę z listą liczb całkowitych) ...

      ID                   Found_IDs
0  12345        [15443, 15533, 3433]
1  15533  [2234, 16608, 12002, 7654]
2   6789      [43322, 876544, 36789]

A także osobna lista identyfikatorów ...

bad_ids = [15533, 876544, 36789, 11111]

Biorąc to pod uwagę i ignorując kolumnę df['ID'] i dowolny indeks, chcę sprawdzić, czy którykolwiek z identyfikatorów na liście bad_ids jest wymieniony w kolumnie df['Found_IDs']. Dotychczasowy kod to:

df['bad_id'] = [c in l for c, l in zip(bad_ids, df['Found_IDs'])]

To działa, ale tylko wtedy, gdy lista bad_ids jest dłuższa niż ramka danych, a dla rzeczywistego zbioru danych lista bad_ids będzie dużo krótsza niż ramka danych. Jeśli ustawię listę bad_ids tylko na dwa elementy ...

bad_ids = [15533, 876544]

Otrzymuję bardzo popularny błąd (przeczytałem wiele pytań z tym samym błędem) ...

ValueError: Length of values does not match length of index

Próbowałem przekonwertować listę na serię (bez zmian w błędzie). Próbowałem również dodać nową kolumnę i ustawić wszystkie wartości na False przed wykonaniem wiersza ze zrozumieniem (ponownie bez zmian w błędzie).

Dwa pytania:

  1. Jak sprawić, by mój kod (poniżej) działał z listą krótszą niż ramka danych?
  2. Jak uzyskać kod do zapisania rzeczywistego znalezionego identyfikatora powrót do kolumny df['bad_id'] (bardziej przydatne niż Prawda / Fałsz)?

Oczekiwany wynik dla bad_ids = [15533, 876544]:

      ID                   Found_IDs  bad_id
0  12345        [15443, 15533, 3433]    True
1  15533  [2234, 16608, 12002, 7654]   False
2   6789      [43322, 876544, 36789]    True

Idealne dane wyjściowe dla bad_ids = [15533, 876544] (identyfikatory są zapisywane w nowej kolumnie lub w nowej kolumnie):

      ID                   Found_IDs  bad_id
0  12345        [15443, 15533, 3433]    15533
1  15533  [2234, 16608, 12002, 7654]   False
2   6789      [43322, 876544, 36789]    876544

Kod:

import pandas as pd

result_list = [[12345,[15443,15533,3433]],
        [15533,[2234,16608,12002,7654]],
        [6789,[43322,876544,36789]]]

df = pd.DataFrame(result_list,columns=['ID','Found_IDs'])

# works if list has four elements
# bad_ids = [15533, 876544, 36789, 11111]

# fails if list has two elements (less elements than the dataframe)
# ValueError: Length of values does not match length of index
bad_ids = [15533, 876544]

# coverting to Series doesn't change things
# bad_ids = pd.Series(bad_ids)
# print(type(bad_ids))

# setting up a new column of false values doesn't change things
# df['bad_id'] = False

print(df)

df['bad_id'] = [c in l for c, l in zip(bad_ids, df['Found_IDs'])]

print(bad_ids)

print(df)
12
MDR 2 kwiecień 2020, 13:55

5 odpowiedzi

Najlepsza odpowiedź

Użycie np.intersect1d do uzyskania przecięcia dwie listy:

df['bad_id'] = df['Found_IDs'].apply(lambda x: np.intersect1d(x, bad_ids))

      ID                   Found_IDs    bad_id
0  12345        [15443, 15533, 3433]   [15533]
1  15533  [2234, 16608, 12002, 7654]        []
2   6789      [43322, 876544, 36789]  [876544]

Lub za pomocą samego Pythona waniliowego, używając przecięcia z sets:

bad_ids_set = set(bad_ids)
df['Found_IDs'].apply(lambda x: list(set(x) & bad_ids_set))
9
Erfan 2 kwiecień 2020, 11:03

Jeśli chcesz przetestować wszystkie wartości list w kolumnie Found_IDs według wszystkich wartości bad_ids, użyj:

bad_ids = [15533, 876544]

df['bad_id'] = [any(c in l for c in bad_ids) for l  in df['Found_IDs']]
print (df)
      ID                   Found_IDs  bad_id
0  12345        [15443, 15533, 3433]    True
1  15533  [2234, 16608, 12002, 7654]   False
2   6789      [43322, 876544, 36789]    True

Jeśli chcesz, aby wszystko pasowało:

df['bad_id'] = [[c for c in bad_ids if c in l] for l  in df['Found_IDs']]
print (df)
      ID                   Found_IDs    bad_id
0  12345        [15443, 15533, 3433]   [15533]
1  15533  [2234, 16608, 12002, 7654]        []
2   6789      [43322, 876544, 36789]  [876544]

A dla pierwszego dopasowania, jeśli pusta lista jest ustawiona False, możliwe rozwiązanie, ale nie zalecane, mieszanie wartości logicznych i liczb:

df['bad_id'] = [next(iter([c for c in bad_ids if c in l]), False) for l  in df['Found_IDs']]
print (df)
      ID                   Found_IDs  bad_id
0  12345        [15443, 15533, 3433]   15533
1  15533  [2234, 16608, 12002, 7654]   False
2   6789      [43322, 876544, 36789]  876544

Rozwiązanie z zestawami:

df['bad_id'] = df['Found_IDs'].map(set(bad_ids).intersection)
print (df)

      ID                   Found_IDs    bad_id
0  12345        [15443, 15533, 3433]   {15533}
1  15533  [2234, 16608, 12002, 7654]        {}
2   6789      [43322, 876544, 36789]  {876544}

Podobnie jest ze zrozumieniem list:

df['bad_id'] = [list(set(bad_ids).intersection(l)) for l  in df['Found_IDs']]
print (df)
      ID                   Found_IDs    bad_id
0  12345        [15443, 15533, 3433]   [15533]
1  15533  [2234, 16608, 12002, 7654]        []
2   6789      [43322, 876544, 36789]  [876544]
3
jezrael 2 kwiecień 2020, 11:15

Możesz aplikować i używać np.any:

df['bad_id'] = df['Found_IDs'].apply(lambda x: np.any([c in x for c in bad_ids]))

To zwraca wartość bool, jeśli istnieje bad_id w Found_IDs, jeśli chcesz pobrać te bad_ids:

df['bad_id'] = df['Found_IDs'].apply(lambda x: [*filter(lambda x: c in x, bad_ids)])

To zwróci listę bad_ids pod adresem found_ids, jeśli jest 0, zwraca []

1
Bruno Mello 2 kwiecień 2020, 10:59

Używając merge i concat podczas grupowania według indeksu, aby zwrócić wszystkie dopasowania.

bad_ids = [15533, 876544, 36789, 11111]

df2 = pd.concat(
    [
        df,
        pd.merge(
            df["Found_IDs"].explode().reset_index(),
            pd.Series(bad_ids, name="bad_ids"),
            left_on="Found_IDs",
            right_on="bad_ids",
            how="inner",
        )
        .groupby("index")
        .agg(bad_ids=("bad_ids", list)),
    ],
    axis=1,
).fillna(False)
print(df2)


      ID                   Found_IDs          bad_ids
0  12345        [15443, 15533, 3433]          [15533]
1  15533  [2234, 16608, 12002, 7654]            False
2   6789      [43322, 876544, 36789]  [876544, 36789]
1
Manakin 2 kwiecień 2020, 11:09

Użyj funkcji eksploduj i grupuj według agregacji

s = df['Found_IDs'].explode()
df['bad_ids'] = s.isin(bad_ids).groupby(s.index).any()

Dla bad_ids = [15533, 876544]

>>> df
      ID                   Found_IDs  bad_ids
0  12345        [15443, 15533, 3433]     True
1  15533  [2234, 16608, 12002, 7654]    False
2   6789      [43322, 876544, 36789]     True

LUB

Aby uzyskać dopasowanie wartości

s = df['Found_IDs'].explode()
s.where(s.isin(bad_ids)).groupby(s.index).agg(lambda x: list(x.dropna()))

Dla bad_ids = [15533, 876544]

      ID                   Found_IDs   bad_ids
0  12345        [15443, 15533, 3433]   [15533]
1  15533  [2234, 16608, 12002, 7654]        []
2   6789      [43322, 876544, 36789]  [876544]
0
Vishnudev 2 kwiecień 2020, 11:19