Digamos que tengo el siguiente marco de datos (una columna de enteros y una columna con una lista de enteros) ...
ID Found_IDs
0 12345 [15443, 15533, 3433]
1 15533 [2234, 16608, 12002, 7654]
2 6789 [43322, 876544, 36789]
Y también una lista separada de ID ...
bad_ids = [15533, 876544, 36789, 11111]
Dado eso, e ignorando la df['ID']
columna y cualquier índice, quiero ver si alguno de los ID en la bad_ids
lista se menciona en la df['Found_IDs']
columna. El código que tengo hasta ahora es:
df['bad_id'] = [c in l for c, l in zip(bad_ids, df['Found_IDs'])]
Esto funciona pero solo si la bad_ids
lista es más larga que el marco de datos y para el conjunto de datos real, la bad_ids
lista será mucho más corta que el marco de datos. Si configuro la bad_ids
lista a solo dos elementos ...
bad_ids = [15533, 876544]
Me sale un error muy popular (he leído muchas preguntas con el mismo error) ...
ValueError: Length of values does not match length of index
He intentado convertir la lista a una serie (sin cambios en el error). También he intentado agregar la nueva columna y establecer todos los valores False
antes de hacer la línea de comprensión (nuevamente, no hay cambios en el error).
Dos preguntas:
- ¿Cómo hago para que mi código (a continuación) funcione para una lista que es más corta que un marco de datos?
- ¿Cómo obtendría el código para escribir la ID real encontrada en la
df['bad_id']
columna (más útil que Verdadero / Falso)?
Salida esperada 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
La salida ideal para bad_ids = [15533, 876544]
(ID (s) se escriben en una nueva columna o columnas):
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)