如何更轻松地将类别分配给包含 50 多个类别的新列中的字符串

Question

我有一个数据框，其中有一列开放式响应字符串，用于标识美国的一个州（希望这会很快成为一个封闭式问题）。我需要为每个响应分配一个状态名称，目前正在使用以下代码。

alabama_cat = ["alabama", "al"]
alaska_cat = ["alaska", "ak"]
newyork_cat = ["new york", "ny", "newyork"]

state_cat = [alabama_cat, alaska_cat, newyork_cat]

#Conditions for categories
conditions = [
    (survey['state'].str.lower().str.contains('|'.join(alabama_cat), na=False)),
    (survey['state'].str.lower().str.contains('|'.join(alaska_cat), na=False)),
    (survey['state'].str.lower().str.contains('|'.join(newyork_cat), na=False)),
]

#Names of categories
choices = ["Alabama", "Alaska", "New York"]

# categorize
survey['state_category'] = np.select(conditions, choices)

我想知道是否有更简单的方法来创建条件变量，我希望找到一种自动方法运行每个 state_cat 到 (survey['state'].str.lower().str.contains('|'.join(alabama_cat), na=False))。我需要运行每个州和可能的领土以及人们输入其他国家的情况的这个过程。

非常感谢您的任何见解。

Answer 1

无需检查每个 cat，您可以尝试提取任何一只猫，然后使用 map。像这样：

# map the codes to actual names
state_codes = {code:choice for cat,choice in zip(state_cat, choices) 
                 for code in cat}

patt = '|'.join(state_codes.keys())

survey['state_category'] = survey['state'].str.extract(f'({patt})', expand=False).map(state_codes)

如何更轻松地将类别分配给包含 50 多个类别的新列中的字符串

How to more easily assign a category to a string in a new column with over 50 categories

python

numpy

categorization