Aggiungi ID trovato nell'elenco alla nuova colonna nel frame di dati Panda

Supponiamo di avere il seguente frame di dati (una colonna di numeri interi e una colonna con un elenco di numeri interi) ...

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

E anche un elenco separato di ID ...

bad_ids = [15533, 876544, 36789, 11111]

Detto questo, e ignorando la df['ID']colonna e qualsiasi indice, voglio vedere se qualcuno degli ID bad_idsnell'elenco è menzionato nella df['Found_IDs']colonna. Il codice che ho finora è:

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

Funziona ma solo se l' bad_idselenco è più lungo del dataframe e per il set di dati reale l' bad_idselenco sarà molto più breve del dataframe. Se imposto l' bad_idselenco su solo due elementi ...

bad_ids = [15533, 876544]

Ottengo un errore molto popolare (ho letto molte domande con lo stesso errore) ...

ValueError: Length of values does not match length of index

Ho provato a convertire l'elenco in una serie (nessuna modifica all'errore). Ho anche provato ad aggiungere la nuova colonna e impostare tutti i valori Falseprima di fare la riga di comprensione (di nuovo nessuna modifica dell'errore).

Due domande:

1. Come faccio a far funzionare il mio codice (di seguito) per un elenco più corto di un frame di dati?
2. Come ottenere il codice per scrivere l'ID effettivo trovato nella df['bad_id']colonna (più utile di Vero / Falso)?

Uscita prevista per 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

Output ideale per bad_ids = [15533, 876544](ID (s) sono scritti in una nuova colonna o colonne):

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

Codice:

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)

Utilizzare np.intersect1dper ottenere l'intersezione delle due liste:

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]

O con un semplice pitone alla vaniglia usando l'intersezione di sets:

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

Se vuoi testare tutti i valori degli elenchi in Found_IDscolonna per tutti i valori d' 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 vuoi che tutto corrisponda:

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 per la prima corrispondenza, se è impostato un elenco vuoto False, possibile soluzione, ma non è consigliabile mescolare booleano e numeri:

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

Soluzione con set:

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 anche simile con la comprensione dell'elenco:

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]

Puoi applicare e utilizzare np.any:

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

Questo restituisce il bool se esiste un bad_id in Found_IDs, se si desidera recuperare questo bad_ids:

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

Questo restituirà un elenco di bad_ids su found_ids, se c'è 0 restituisce []

utilizzando mergee concatdurante il raggruppamento in base al proprio indice per restituire tutte le partite.

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]

Usa esplodi e raggruppa aggregato

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

Per 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

O

Per ottenere la corrispondenza dei valori

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

Per 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]