我有一列字符串，看起来像这样
col_1
Spiderman
Abe Lincoln
Superman
Ghandi
Jane Austin
Robert de Niro
Elon Musk
George Bush
Bill Gates
Barak Obama
Anne Frank
我手动浏览了该列并为这些字符制作了类别列表：
l1 = [ 'Abe Lincoln', 'George Bush', 'Barak Obama']
l2 = ['Spiderman', 'Superman']
l3 = ['AnneFrank', 'Ghandi']
我已经对这些列表进行了字典
dict = {'l1': l1, 'l2': l2,'l3': l3} #and so on
我想做的是通过读取第 1 列创建一个新列，并根据 str(cell) 出现在哪个列表中返回一个数字;所以输出将是
col_1 col2
Spiderman 2
Abe Lincoln 1
Superman 2
Ghandi 3
Jane Austin 4
Robert de Niro 4
Elon Musk 4
George Bush 1
Bill Gates 4
Barak Obama 1
Anne Frank 3
我只是不确定如何在带有 if/else 的已定义函数中使用列表和字典，我什至不确定我是否需要字典，但我想我需要。
我试过类似的东西
def group(x, dict):
for key, value in dict:
if x in key:
return 1
else:
return 0
data["group"] = data.col1.apply(group)
现在我知道上面的代码不起作用(因为它是胡说八道)，但我之前使用过类似于这个的函数来对性别列进行分类，但是，我似乎无法理解这个代码。
与往常一样，感谢您提供的任何帮助。
我认为您需要按字典循环并使用Series.isin设置keys 的值以检查成员资格 - 在示例数据中获取NaNs，因为字典中缺少另一个值：
#not use python reserved word dict for variable name
d = {'l1': l1, 'l2': l2,'l3': l3}
for k, v in d.items():
df.loc[df['col_1'].isin(v), 'new'] = k
print (df)
col_1 new
0 spiderman l2
1 Abe Lincoln l1
2 superman l2
3 Ghandi l3
4 Jane Austin NaN
5 Robert de Niro NaN
6 Elon Musk NaN
7 George Bush l1
8 Bill Gates NaN
9 Barak Obama l1
10 Anne Frank NaN
重组您的dict并使用Series.map和str.extract。
注：注：对于此示例，我将dict重命名为my_dict。使用"dict"作为名称是一个坏主意。
remapped_dict = {i: k for k, v in my_dict.items() for i in v}
df['col_2'] = df['col_1'].map(remapped_dict).str.extract(r'(d+)')
[出]
col_1 col_2
0 Spiderman 2
1 Abe Lincoln 1
2 Superman 2
3 Ghandi 3
4 Jane Austin NaN
5 Robert de Niro NaN
6 Elon Musk NaN
7 George Bush 1
8 Bill Gates NaN
9 Barak Obama 1
10 Anne Frank NaN
扁平化你的dict然后我们做map，也不把你的字典命名为dict
from functools import reduce
yourd = reduce(lambda a, b: dict(a, **b), [dict.fromkeys(y,x) for x , y in d.items()])
df['New']=df.col_1.map(yourd)
df
Out[194]:
col_1 New
0 Spiderman l2
1 Abe Lincoln l1
2 Superman l2
3 Ghandi l3
4 Jane Austin NaN
5 Robert de Niro NaN
6 Elon Musk NaN
7 George Bush l1
8 Bill Gates NaN
9 Barak Obama l1
10 Anne Frank NaN
解决方案相同
def func(x):
if x in l1:
return 1
if x in l2:
return 2
else:
return 3
df['col2'] = df['col1'].apply(func)