[英]Python: Selecting column values from multiple columns dynamically
我有 2 個數據框。 第一個是匯總表,匯總了每個行業及其來源的准確性(按降序排列)。
cols = ['industry', 'source', 'accuracy']
df = pd.DataFrame(np.array([
['chemical', 'source B', 0.9],
['chemical', 'source A', 0.7],
['education', 'source A', 0.9],
]), columns=cols)
在第二張表中,Source A 和 B 中有字符串列表,它們可以是空值:
cols = ['company', 'industry', 'source A', 'source B']
df2 = pd.DataFrame(np.array([
['company1', 'chemical', np.nan, ['a123', 'b456']],
['company2', 'chemical', ['a555', 'd333'], np.nan],
['company3', 'education', np.nan, ['777', '888']],
]), columns=cols)
對於每一行/公司,我應該 select 第一個具有最高精度的非空源,如下表所示:
cols = ['company', 'industry', 'which_source', 'source_value']
df3 = pd.DataFrame(np.array([
['company1', 'chemical', 'source B', ['a123', 'b456']],
['company2', 'chemical', 'source A', ['a555', 'd333']],
['company3', 'education', np.nan, np.nan],
]), columns=cols)
例如,對於 company1 和 2,盡管它們都來自“化工”行業,但對於 company2,其來源來自來源 A,因為其在來源 B 中的值為 null。
對於來自“教育”行業的 company3,即使源 B 中有一個值,因為“教育”行業的源 B 不滿足某個最低閾值(因此它沒有出現在 df1 中),它是“源”而“source_value”應該只是 null。
提前致謝!
你可以melt
, merge
和 filter :
df3 = (df2
.melt(['company', 'industry'], var_name='source', value_name='source_value')
.merge(df, how='inner')
.sort_values(by='source_value', key=pd.isna)
.groupby(['company', 'industry'], as_index=False).first()
.assign(which_source=lambda d: d['source'].mask(d['source_value'].isna()))
.drop(columns=['source', 'accuracy'])
)
output:
company industry source_value which_source
0 company1 chemical [a123, b456] source B
1 company2 chemical [a555, d333] source A
2 company3 education None NaN
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.