使用循环基于str条件构造具有多列的数据框-python

Question

我有一个包含用户位置的webscraped Twitter DataFrame。 位置变量如下所示：

2          Crockett, Houston County, Texas, 75835, USA
3                                   NYC, New York, USA
4                            Warszawa, mazowieckie, RP
5                                           Texas, USA
6                 Virginia Beach, Virginia, 23451, USA
7          Louisville, Jefferson County, Kentucky, USA

我想通过循环为美国所有州构建州假人。

我设法使用以下方法从美国提取用户

location_usa = location_df['location'].str.contains('usa', case = False)

但是我为每个状态编写的代码太庞大了。 我有状态列表作为字符串。 我也无法使用

pd.Series.Str.get_dummies()

因为同一状态下有不同的位置，每个条目都是一个完整的句子。

我希望输出看起来像这样：

   Alabama   Alaska  Arizona
1        0        0        1
2        0        1        0
3        1        0        0 
4        0        0        0

或与布尔值相同。

Answer 1

使用.str.extract得到一个Series的状态，然后用pd.get_dummies在该Series 。 将需要定义所有50个状态的列表：

import pandas as pd

states = ['Texas', 'New York', 'Kentucky', 'Virginia']
pd.get_dummies(df.col1.str.extract('(' + '|'.join(x+',' for x in states)+ ')')[0].str.strip(','))

   Kentucky  New York  Texas  Virginia
0         0         0      1         0
1         0         1      0         0
2         0         0      0         0
3         0         0      1         0
4         0         0      0         1
5         1         0      0         0

请注意，我在州后面加了一个','因为这似乎是一种模式，可以避免出现'Virginia'与'Virginia Beach'类'Virginia'错误匹配，或者避免诸如'Washington County, Minnesota'

如果您希望多个状态在一行上匹配，那么.extractall变成.extractall在第0级进行求和：

pd.get_dummies(df.col1.str.extractall('(' + '|'.join(x+',' for x in states)+ ')')[0].str.strip(',')).sum(level=0).clip(upper=1)

---

编辑：

也许有更好的方法，但是@BradSolomon允许在'State,( optional 5 digit Zip,) USA'进行匹配

states = ['Texas', 'New York', 'Kentucky', 'Virginia', 'California', 'Pennsylvania']
pat = '(' + '|'.join(x+',?(\s\d{5},)?\sUSA' for x in states)+ ')'

s = df.col1.str.extract(pat)[0].str.split(',').str[0]

输出： s

0           Texas
1        New York
2             NaN
3           Texas
4        Virginia
5        Kentucky
6    Pennsylvania
Name: 0, dtype: object

来自输入

                                          col1
0  Crockett, Houston County, Texas, 75835, USA
1                           NYC, New York, USA
2                    Warszawa, mazowieckie, RP
3                                   Texas, USA
4         Virginia Beach, Virginia, 23451, USA
5  Louisville, Jefferson County, Kentucky, USA
6                California, Pennsylvania, USA