python - 如何使用字典和 isin()？

Question

我有一本字典，我想使用该字典对 df 中的新列进行分类。 df 中的 Value 列应该与字典中的值进行比较。 df 中的新列应该是与值关联的键。

d = {'Car':['1','2','3'],
     'Chicken legs':['4','5','6'],
     'Coronary artery bypass graft surgery':['7','8','9','10','11','12']}

df

Color   Style      Value
red     round      1
blue    square     5
green   triangle   9
orange  sphere     12

最终目标

Color   Style      Value   Thing
red     round      1       Car
blue    square     5       Chicken legs
green   triangle   9       Coronary artery bypass graft surgery
orange  sphere     12      Coronary artery bypass graft surgery

我的第一个想法是将其放入 df (df_dict)，但我无法将 df 中的单个值与 df_dict 中的列表进行比较。

df_dict = pd.DataFrame({'Thing':list(d.keys()), 'Values':list(d.values())})

    Thing                                   Values
0   Car                                     [1, 2, 3]
1   Chicken_legs                            [4, 5, 6]
2   Coronary artery bypass graft surgery    [7, 8, 9, 10, 11, 12]

以下代码适用于单个元素。然而，我的字典有 32 个元素，我认为有比只创建下面代码的 32 个版本更好的方法。我只是不知道那种方法会是什么。

df.loc[df['Value'].isin(['1', '2', '3]),'Thing']='Car'

是否可以使用字典和isin()？我应该改为将字典转换为列表吗？

Answer 1

你可以为此创建一个辅助函数:

In [60]: def argcontains(item):
    ...:     for i, v in d.items():
    ...:         if item in v:
    ...:             return i
    ...:

然后将其映射到适当的列:

In [61]: df['thing'] = df.Value.map(argcontains)

In [62]: df
Out[62]: 
   Value                                 thing
0      1                                   Car
1      5                          Chicken legs
2      9  Coronary artery bypass graft surgery
3     12  Coronary artery bypass graft surgery

这可以稍微通用一些(并且避免每次都重新计算 d.items()，尽管这是非常小的)例如:

In [73]: def argcontains2(item_iterator, item):
    ...:     for i, v in item_iterator:
    ...:         if item in v:
    ...:             return i
    ...:         

In [74]: from functools import partial

In [75]: argcontains = partial(argcontains2, d.items())

如果您需要经常按值引用 d 中的数据，那么最好创建数据的反向索引(反向字典)，如另一个答案中所述。

但是，如果您只需要一次反向查找来构造此列，那么使用如上所示的简单循环将使用更少的内存和需要更少的计算。