Python: 从多个列中动态选择列值

Question

我有 2 个数据框。第一个是摘要 table，总结了每个行业及其来源的准确性（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)

在第二个table中，Source A和B里面有字符串列表，可以是null：

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)

对于每个 row/company，我应该 select 第一个具有最高精度的非空源，它看起来像下面的 table:

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，对于 company1 和 2，虽然它们都来自 'chemical' 行业，但对于 company2，其来源来自来源 A，因为它在来源 B 中的值为 null。

对于 'education' 行业的 company3，即使来源 B 中有值，因为 'education' 行业的来源 B 不符合某个最低阈值（因此它没有出现在 df1) 中，它是 'source' 并且 'source_value' 应该是空的。

提前致谢！

Answer 1

您可以 melt、merge 和过滤器：

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'])
)

输出：

    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

Python: 从多个列中动态选择列值

Python: Selecting column values from multiple columns dynamically

python

pandas

dataframe

merge

pandas-merge