拆分包含 str 和 int 的列

Posted 2023-03-12

【中文标题】拆分包含 str 和 int 的列

【英文标题】：Split out column that contains both str and ints

【发布时间】：2020-05-25 17:23:44

【问题描述】：

我有一列应该只包含整数，但是由于数据错误，它当前包含字符串和整数。我需要应用一个np.where 声明，上面写着np.where(df['IO8'] >= 2002),"NEW","OLD")

语句失败并出现错误 cannot use >= on strings。我将如何解决这个问题？任何帮助都会很棒。让我知道是否需要更多细节。我也尝试过像下面这样使用正则表达式：

df['split'] = pd.np.where(df['IO8'].str.contains("^\d4$", regex=True), "Number", "Error")
df['IO8'] = pd.np.where(df['split'].str.contains("Number"), df['IO8'].astype(int), df['IO8'].astype(str))
df['split1'] = pd.np.where(df['split'].str.contains("Number") & (df['IO8'] >= 2002),"NEW","OLD")

但仍然会出现错误。

【问题讨论】：

只是为了确保@Jezrael 回答的工作，你能print(df['IO8'].head()) 吗？

【参考方案1】：

使用Series.str.extract 获取新列并转换为浮点数：

df = pd.DataFrame('IO8':['2000','2009','20','dwd21'])

df['num'] = df['IO8'].str.extract("(^\d4$)").astype(float)

那么可以使用numpy.select 3 种状态：

m1 = df['num'].notna()
m2 = df['num'] >= 2002
df['split1'] = pd.np.select([m1 & m2, m1 & ~m2],["NEW","OLD"], default='no match')

或者使用双精度np.where:

df['split1'] = pd.np.where(m2, "NEW", pd.np.where(m1, "OLD", 'no match'))

print (df)
     IO8     num    split1
0   2000  2000.0       OLD
1   2009  2009.0       NEW
2     20     NaN  no match
3  dwd21     NaN  no match

因为如果只使用np.where 输出是：

df = pd.DataFrame('IO8':['2000','2009','20','dwd21'])

df['num'] = df['IO8'].str.extract("(^\d4$)").astype(float)

m1 = df['num'].notna()
m2 = df['num'] >= 2002
df['split1'] = pd.np.where(m1 & m2, "NEW","OLD")

print (df)
     IO8     num split1
0   2000  2000.0    OLD
1   2009  2009.0    NEW
2     20     NaN    OLD
3  dwd21     NaN    OLD

【讨论】：

嗨，耶兹瑞尔，谢谢！ df['num'] 中的所有值都以 NaN 形式出现，因此 np.where 都以 OLD 形式出现，有什么建议吗？我知道 2002 确实存在于数据中，所以我们应该得到一些新的

您好 Mustie，请编辑您的答案以显示您的数据是什么样的，否则我们会根据我们的知识进行猜测。

@MustieMustafa - 我认为原因是 "(^\d4$)" - reegx 表示检查列是否只包含 4digits 而没有其他值，如果想从 2000data 提取 2000 然后使用 df['num'] = df['IO8'].str.extract("(\d4)").astype(float)

完美！谢谢jezrael，确实问题在于数字之间的间距。需要先修剪柱子！感谢您的帮助！

【参考方案2】：

@Author，你也想看看这个

b = df['IO8'].apply(lambda x: "New" if (x.isnumeric() and int(x) >= 2002) else "None" if not x.isnumeric() else "Old")