Adicione o ID encontrado na lista a uma nova coluna no dataframe do pandas

11

Digamos que eu tenha o seguinte quadro de dados (uma coluna de números inteiros e uma coluna com uma lista de números inteiros) ...

      ID                   Found_IDs
0  12345        [15443, 15533, 3433]
1  15533  [2234, 16608, 12002, 7654]
2   6789      [43322, 876544, 36789]

E também uma lista separada de IDs ...

bad_ids = [15533, 876544, 36789, 11111]

Dado isso, e ignorando a df['ID']coluna e qualquer índice, quero ver se algum dos IDs na bad_idslista é mencionado na df['Found_IDs']coluna. O código que tenho até agora é:

df['bad_id'] = [c in l for c, l in zip(bad_ids, df['Found_IDs'])]

Isso funciona, mas apenas se a bad_idslista for maior que o quadro de dados e, para o conjunto de dados real, a bad_idslista será muito menor que o quadro de dados. Se eu definir a bad_idslista para apenas dois elementos ...

bad_ids = [15533, 876544]

Recebo um erro muito popular (li muitas perguntas com o mesmo erro) ...

ValueError: Length of values does not match length of index

Eu tentei converter a lista em uma série (nenhuma alteração no erro). Eu também tentei adicionar a nova coluna e definir todos os valores Falseantes de fazer a linha de compreensão (novamente nenhuma alteração no erro).

Duas questões:

  1. Como faço para que meu código (abaixo) funcione para uma lista mais curta que um dataframe?
  2. Como eu obteria o código para gravar o ID real encontrado de volta na df['bad_id']coluna (mais útil que Verdadeiro / Falso)?

Saída prevista para bad_ids = [15533, 876544]:

      ID                   Found_IDs  bad_id
0  12345        [15443, 15533, 3433]    True
1  15533  [2234, 16608, 12002, 7654]   False
2   6789      [43322, 876544, 36789]    True

A saída ideal para bad_ids = [15533, 876544](ID) é gravada em uma nova coluna ou colunas:

      ID                   Found_IDs  bad_id
0  12345        [15443, 15533, 3433]    15533
1  15533  [2234, 16608, 12002, 7654]   False
2   6789      [43322, 876544, 36789]    876544

Código:

import pandas as pd

result_list = [[12345,[15443,15533,3433]],
        [15533,[2234,16608,12002,7654]],
        [6789,[43322,876544,36789]]]

df = pd.DataFrame(result_list,columns=['ID','Found_IDs'])

# works if list has four elements
# bad_ids = [15533, 876544, 36789, 11111]

# fails if list has two elements (less elements than the dataframe)
# ValueError: Length of values does not match length of index
bad_ids = [15533, 876544]

# coverting to Series doesn't change things
# bad_ids = pd.Series(bad_ids)
# print(type(bad_ids))

# setting up a new column of false values doesn't change things
# df['bad_id'] = False

print(df)

df['bad_id'] = [c in l for c, l in zip(bad_ids, df['Found_IDs'])]

print(bad_ids)

print(df)
MDR
fonte

Respostas:

7

Usando np.intersect1dpara obter a interseção das duas listas:

df['bad_id'] = df['Found_IDs'].apply(lambda x: np.intersect1d(x, bad_ids))

      ID                   Found_IDs    bad_id
0  12345        [15443, 15533, 3433]   [15533]
1  15533  [2234, 16608, 12002, 7654]        []
2   6789      [43322, 876544, 36789]  [876544]

Ou apenas com baunilha python usando a intersecção de sets:

bad_ids_set = set(bad_ids)
df['Found_IDs'].apply(lambda x: list(set(x) & bad_ids_set))
Erfan
fonte
3

Se desejar testar todos os valores das listas na Found_IDscoluna por todos os valores de bad_idsuso:

bad_ids = [15533, 876544]

df['bad_id'] = [any(c in l for c in bad_ids) for l  in df['Found_IDs']]
print (df)
      ID                   Found_IDs  bad_id
0  12345        [15443, 15533, 3433]    True
1  15533  [2234, 16608, 12002, 7654]   False
2   6789      [43322, 876544, 36789]    True

Se quiser todas as correspondências:

df['bad_id'] = [[c for c in bad_ids if c in l] for l  in df['Found_IDs']]
print (df)
      ID                   Found_IDs    bad_id
0  12345        [15443, 15533, 3433]   [15533]
1  15533  [2234, 16608, 12002, 7654]        []
2   6789      [43322, 876544, 36789]  [876544]

E para a primeira correspondência, se a lista vazia estiver definida False, a solução possível, mas não é recomendável misturar números e booleanos:

df['bad_id'] = [next(iter([c for c in bad_ids if c in l]), False) for l  in df['Found_IDs']]
print (df)
      ID                   Found_IDs  bad_id
0  12345        [15443, 15533, 3433]   15533
1  15533  [2234, 16608, 12002, 7654]   False
2   6789      [43322, 876544, 36789]  876544

Solução com conjuntos:

df['bad_id'] = df['Found_IDs'].map(set(bad_ids).intersection)
print (df)

      ID                   Found_IDs    bad_id
0  12345        [15443, 15533, 3433]   {15533}
1  15533  [2234, 16608, 12002, 7654]        {}
2   6789      [43322, 876544, 36789]  {876544}

E também semelhante à compreensão da lista:

df['bad_id'] = [list(set(bad_ids).intersection(l)) for l  in df['Found_IDs']]
print (df)
      ID                   Found_IDs    bad_id
0  12345        [15443, 15533, 3433]   [15533]
1  15533  [2234, 16608, 12002, 7654]        []
2   6789      [43322, 876544, 36789]  [876544]
jezrael
fonte
1

Você pode aplicar e usar o np.any:

df['bad_id'] = df['Found_IDs'].apply(lambda x: np.any([c in x for c in bad_ids]))

Isso retorna o bool se existir um bad_id em Found_IDs, se você quiser recuperar este bad_ids:

df['bad_id'] = df['Found_IDs'].apply(lambda x: [*filter(lambda x: c in x, bad_ids)])

Isso retornará uma lista dos bad_ids em found_ids, se houver 0, ele retornará []

Bruno Mello
fonte
1

usando mergee concatenquanto agrupa pelo seu índice para retornar todas as correspondências.

bad_ids = [15533, 876544, 36789, 11111]

df2 = pd.concat(
    [
        df,
        pd.merge(
            df["Found_IDs"].explode().reset_index(),
            pd.Series(bad_ids, name="bad_ids"),
            left_on="Found_IDs",
            right_on="bad_ids",
            how="inner",
        )
        .groupby("index")
        .agg(bad_ids=("bad_ids", list)),
    ],
    axis=1,
).fillna(False)
print(df2)


      ID                   Found_IDs          bad_ids
0  12345        [15443, 15533, 3433]          [15533]
1  15533  [2234, 16608, 12002, 7654]            False
2   6789      [43322, 876544, 36789]  [876544, 36789]
Datanovice
fonte
0

Use explodir e agrupar por agregado

s = df['Found_IDs'].explode()
df['bad_ids'] = s.isin(bad_ids).groupby(s.index).any()

Para bad_ids = [15533, 876544]

>>> df
      ID                   Found_IDs  bad_ids
0  12345        [15443, 15533, 3433]     True
1  15533  [2234, 16608, 12002, 7654]    False
2   6789      [43322, 876544, 36789]     True

OU

Para obter valores correspondentes

s = df['Found_IDs'].explode()
s.where(s.isin(bad_ids)).groupby(s.index).agg(lambda x: list(x.dropna()))

Para bad_ids = [15533, 876544]

      ID                   Found_IDs   bad_ids
0  12345        [15443, 15533, 3433]   [15533]
1  15533  [2234, 16608, 12002, 7654]        []
2   6789      [43322, 876544, 36789]  [876544]
Vishnudev
fonte