如何迭代 Pandas 中的列值並根據同一行中多列的值創建新的觀察？

Question

因此，發布了這個問題的許多變體，但它們都不是我正在尋找的。

我有一個數據集，其中包含多個包含 boolean 值的列，這些值指示用戶是否在其居住地列出了城市名稱。 用戶可以命名多個城市名稱。 見下文。

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'                             |
+----+----------+-------+-------------+------------------------------------+

我要做的是創建一個新列，用於存儲用戶列出的所有城市名稱的文本名稱。 我可以用一百萬個嵌套的 if 條件來做到這一點，但我確信在 Pandas 中有更好的方法來做到這一點。 誰能指出我正確的方向？

數據集圖片鏈接：

Answer 1

您可以將布爾值乘以字符串，並且由於 pandas 的 sum() function 連接字符串，您可以獲取數據和列值的點積。 兩者都做，你可以這樣做：

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稱，您可以列出城市列並使用這些列：

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

Answer 2

IIUC，如果您的值確實是 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