python - ¿Cómo creo una nueva columna en un marco de datos a partir de una columna existente usando condiciones?

pandas dataframe

Question

Tengo una columna que contiene todos los datos que se parecen a esto (los valores que deben separarse tienen una marca como (c)):

UK (c)
London
Wales
Liverpool
US (c)
Chicago
New York
San Francisco
Seattle
Australia (c)
Sydney
Perth

Y quiero que se divida en dos columnas con este aspecto:

London          UK
Wales           UK
Liverpool       UK
Chicago         US
New York        US
San Francisco   US
Seattle         US
Sydney          Australia
Perth           Australia

Pregunta 2: ¿Qué pasaría si los países no tuvieran un patrón como (c)?

Answer 1

extract y ffill

Comience con extract y ffill , luego elimine las filas redundantes.

df[''country''] = (
    df[''data''].str.extract(r''(.*)/s+/(c/)'', expand=False).ffill())
df[~df[''data''].str.contains(''(c)'', regex=False)].reset_index(drop=True)

            data    country
0         London         UK
1          Wales         UK
2      Liverpool         UK
3        Chicago         US
4       New York         US
5  San Francisco         US
6        Seattle         US
7         Sydney  Australia
8          Perth  Australia

Dónde,

df[''data''].str.extract(r''(.*)/s+/(c/)'', expand=False).ffill()

0            UK
1            UK
2            UK
3            UK
4            US
5            US
6            US
7            US
8            US
9     Australia
10    Australia
11    Australia
Name: country, dtype: object

El patrón ''(.*)/s+/(c/)'' coincide con cadenas de la forma "country (c)" y extrae el nombre del país. Cualquier cosa que no coincida con este patrón se reemplaza con NaN, por lo que puede reenviar el relleno en las filas.

split con np.where y ffill

Esto se divide en "(c)".

u = df[''data''].str.split(r''/s+/(c/)'')
df[''country''] = pd.Series(np.where(u.str.len() == 2, u.str[0], np.nan)).ffill()

df[~df[''data''].str.contains(''(c)'', regex=False)].reset_index(drop=True)

            data    country
0         London         UK
1          Wales         UK
2      Liverpool         UK
3        Chicago         US
4       New York         US
5  San Francisco         US
6        Seattle         US
7         Sydney  Australia
8          Perth  Australia

Answer 2

Paso a paso con endswith y ffill + str.strip

df[''country'']=df.loc[df.city.str.endswith(''(c)''),''city'']
df.country=df.country.ffill()
df=df[df.city.ne(df.country)]
df.country=df.country.str.strip(''(c)'')

Answer 3

Podrías hacer lo siguiente:

data = [''UK (c)'',''London'',''Wales'',''Liverpool'',''US (c)'',''Chicago'',''New York'',''San Francisco'',''Seattle'',''Australia (c)'',''Sydney'',''Perth'']
df = pd.DataFrame(data, columns = [''city''])
df[''country''] = df.city.apply(lambda x : x.replace(''(c)'','''') if ''(c)'' in x else None)
df.fillna(method=''ffill'', inplace=True)
df = df[df[''city''].str.contains(''/(c/)'')==False]

Salida

+-----+----------------+-----------+
|     |     city       |  country  |
+-----+----------------+-----------+
|  1  | London         | UK        |
|  2  | Wales          | UK        |
|  3  | Liverpool      | UK        |
|  5  | Chicago        | US        |
|  6  | New York       | US        |
|  7  | San Francisco  | US        |
|  8  | Seattle        | US        |
| 10  | Sydney         | Australia |
| 11  | Perth          | Australia |
+-----+----------------+-----------+

Answer 4

Primero puede usar str.extract para ubicar las ciudades que terminan en (c) y extraer el nombre del país, y ffill para completar una nueva columna de country .

Las mismas coincidencias extraídas se pueden usar para ubicar las filas que se deben eliminar, es decir, las filas que no son:

m = df.city.str.extract(''^(.*?)(?=/(c/)$)'')
ix = m[m.squeeze().notna()].index
df[''country''] = m.ffill()
df.drop(ix)

            city     country
1          London         UK 
2           Wales         UK 
3       Liverpool         UK 
5         Chicago         US 
6        New York         US 
7   San Francisco         US 
8         Seattle         US 
10         Sydney  Australia 
11          Perth  Australia 

Answer 5

Puedes usar np.where con str.contains también:

mask = df[''places''].str.contains(''(c)'', regex = False)
df[''country''] = np.where(mask, df[''places''], np.nan)
df[''country''] = df[''country''].str.replace(''/(c/)'', '''').ffill()
df = df[~mask]
df
            places     country
1          London         UK 
2           Wales         UK 
3       Liverpool         UK 
5         Chicago         US 
6        New York         US 
7   San Francisco         US 
8         Seattle         US 
10         Sydney  Australia 
11          Perth  Australia 

La cadena contiene busca (c) y si está presente devolverá True para ese índice. Cuando esta condición sea Verdadera, el valor del país se agregará a las columnas del país