如何使用 pandas dataframe 将列添加到 dataframe 根据另一个 df 中的匹配列将数据标记为 1 或 0

Question

我正在使用 Pandas 数据帧将机器学习算法的一些医疗保险数据集标记为欺诈或非欺诈。 标记涉及将 DMPOES 数据集中的 NPI 编号与 LEIE 数据集中的 NPI 编号匹配。 每个数据集都包含一个名为“NPI”的列。 我需要能够找出 DMEPOS dataframe 中的每一行在 LEIE 数据集中是否有匹配的 NPI。 接下来，我需要向 DMPOES 数据集添加一列（可能命名为“欺诈”，表示该行是否欺诈，使用 1 表示欺诈，使用 0 表示不欺诈。这是我编写的代码（它是'不多，但它应该给出我与 Pandas 一起使用的大致方向。

import pandas as pd
import numpy as np

#Read files into df
dmepos = pd.read_csv('dmpoes.csv')
leie = pd. =read_csv('leie.csv')

这是下载数据集的链接（每个数据集中的 NPI 列标记不同，所以我进去并更改了它，以便列名匹配，我建议也这样做）我还更改了文件的名称以使其更多易于编码：DMPOES： https://www.cms.gov/Research-Statistics-Data-and-Systems/Statistics-Trends-and-Reports/Medicare-Provider-Charge-Data/DME2018 LEIE： Z5E056C500A1C4B6A7110B5ADED807 oig.hhs.gov/exclusions/exclusions_list.asp

Answer 1

您可以使用合并。 如果您不重命名 cols，它实际上更清洁 IMO，因为您必须在合并后处理后缀。 合并后，您可以使用 np.where 根据存在的 NaN 值更新欺诈 col，其中两个合并 col 不匹配。 不完全确定这是您想要的欺诈专栏的逻辑，但如果不是，请发表评论，我会根据需要进行更新。

import pandas as pd
import numpy as np

#Read files into df
dmepos = pd.read_csv('dmpoes.csv')
leie = pd.read_csv('leie.csv')

df_m  = dmepos.merge(leie, left_on='REFERRING_NPI', right_on='NPI', how='left')

df_m['Fraudulent'] = np.where(df_m['NPI'].isnull(), 1, 0)

在这里，我们可以看到在连接列中没有匹配的行，因为它们包含 NaN 值。