如何迭代 Pandas 中的列值并根据同一行中多列的值创建新的观察？

Question

因此，发布了这个问题的许多变体，但它们都不是我正在寻找的。

我有一个数据集，其中包含多个包含 boolean 值的列，这些值指示用户是否在其居住地列出了城市名称。 用户可以命名多个城市名称。 见下文。

日期集示例：

+----+----------+-------+-------------+------------------------------------+
| ID | New York |  LA   | New Orleans |              New Var               |
+----+----------+-------+-------------+------------------------------------+
|  1 | True     | False | True        | 'New York, NY', 'New Orleans, LA'  |
|  2 | True     | False | False       | 'New York, NY                      |
|  3 | False    | False | False       | 'None'                             |
+----+----------+-------+-------------+------------------------------------+

我要做的是创建一个新列，用于存储用户列出的所有城市名称的文本名称。 我可以用一百万个嵌套的 if 条件来做到这一点，但我确信在 Pandas 中有更好的方法来做到这一点。 谁能指出我正确的方向？

数据集图片链接：

Answer 1

您可以将布尔值乘以字符串，并且由于 pandas 的 sum() function 连接字符串，您可以获取数据和列值的点积。 两者都做，你可以这样做：

df = pd.DataFrame({'NY':[True, True, False],'SF':[True, False, True]})

delimiter = ", "
tmp= df.rename(columns=lambda x: x+delimiter)
df['Cities'] = tmp.dot(tmp.columns).str[:-len(delimiter)]
df


#~        NY     SF  Cities
#~  0   True   True  NY, SF
#~  1   True  False      NY
#~  2  False   True      SF

如果只有一些列是城市名称，您可以列出城市列并使用这些列：

cities = ['NY','SF']
tmp= df[cities].rename(columns=lambda x: x+delimiter)

Answer 2

IIUC，如果您的值确实是 True boolean 值，您可以使用np.where或df.dot

import numpy as np

#to keep the peformance of numpy arrays i would suggest doing
#df.columns = df.columns.map(lambda x : f'{x},')
df['places'] = df.dot(df.columns)


     New York     LA  New Orleans               places
ID                                                    
1.0      True  False         True  New YorkNew Orleans
2.0      True  False        False             New York
3.0     False  False        False                     

或使用 numpy。

df['places_2'] = np.where(df, df.columns, '').sum(axis=1)

     New York     LA  New Orleans             places_2
ID                                                    
1.0      True  False         True  New YorkNew Orleans
2.0      True  False        False             New York
3.0     False  False        False