python - 在遍历列表时在数据框的一行中添加多个值

Question

我正在构建一个食物推荐系统并且我有一个数据框:

df:
            meat vegetables cheese ketchup egg...
hamburger     3      5        2       2     1   
    pasta     0      0        4       0     1    
     soup     0      2        0       0     0     
      ...

我还有一个列表，其中包含用户不喜欢的成分:

dislike:["cheese", "egg"]  

所以我想做的是创建一个函数，添加一个新行“user_name”，在他/她不喜欢的那些成分中有 10，在所有其他列中有 0。输出应该是:

            meat vegetables cheese ketchup egg...
hamburger     3      5        2       2     1   
    pasta     0      0        4       0     1    
     soup     0      2        0       0     0     
 new_user     0      0       10       0    10
...

我简化了数据框和列表以使其更全面，但实际上它们更长。

这是我到现在为止写的:

def user_pre(df):
    dislike=["cheese","egg"]
    for ing in dislike:
            df.loc["new_user"]= pd.Series({ing:10})
    return df

我“工作”但只针对不喜欢列表中的最后一个元素。此外，它不会在其他单元格中添加一个 0，而是添加一个 Nan。

提前致谢!

Answer 1

我不确定将用户与菜肴混合在单个 pandas DataFrame 中有多“健康”，但像这样的函数应该可以完成工作:

def insert_user_dislikes(user_name='new_user', df=df, ingredients=['meat', 'egg']):
    df.loc[user_name] = [10 if col in ingredients else 0 for col in df.columns]

insert_user_dislikes('new_user', df, ['meat', 'egg'])

编辑 1:我也喜欢@Fred 的解决方案:

def insert_user_dislikes2(user_name='new_user', df=df, ingredients=['meat', 'egg']):
    df.loc[user_name] = 0
    df.loc[user_name, ingredients] = 10
insert_user_dislikes('user_name', df, ['meat', 'egg'])

编辑 2:这是 Shubham 的绩效评估解决方案:

def insert_user_dislikes3(user_name='new_user', df=df, ingredients=['meat', 'egg']):
    s = pd.Series(
        np.where(df.columns.isin(ingredients), 10, 0), 
        name=user_name, index=df.columns, dtype='int')
    return df.append(s)

就性能而言(在非常小的数据集上)，看起来列表理解速度更快:

df = pd.DataFrame([[3, 5, 2, 2, 1],
   [0, 0, 4, 0, 1]],
   columns=['meat', 'vegetables', 'cheese','ketchup', 'egg'],
   index=['hamburger', 'pasta'])

print(timeit.timeit(insert_user_dislikes, number=1000))
0.125

print(timeit.timeit(insert_user_dislikes2, number=1000))
0.547

print(timeit.timeit(insert_user_dislikes3, number=1000))
2.153