对于 pandas，我正在寻找一种方法，根据A列中相应行的子串，将条件值写入B列中的每一行。
所以，如果细胞在 A 包含 "BULL"写 "Long" 至 B。或者，如果细胞在 A 包含 "BEAR"写 "Short" 至 B。
期望的输出：
A B
"BULL APPLE X5" "Long"
"BEAR APPLE X5" "Short"
"BULL APPLE X5" "Long"
B最初是空的： df = pd.DataFrame([['BULL APPLE X5',''],['BEAR APPLE X5',''],['BULL APPLE X5','']],columns=['A','B'])
在您错误地创建Dataframe时，您的代码会出错，只需创建一个列 A 然后加 B 基于 A：
import pandas as pd
df = pd.DataFrame(["BULL","BEAR","BULL"], columns=['A'])
df["B"] = ["Long" if ele == "BULL" else "Short" for ele in df["A"]]
print(df)
A B
0 BULL Long
1 BEAR Short
2 BULL Long
或者在创建数据帧之前对数据进行逻辑处理：
import pandas as pd
data = ["BULL","BEAR","BULL"]
data2 = ["Long" if ele == "BULL" else "Short" for ele in data]
df = pd.DataFrame(list(zip(data, data2)), columns=['A','B'])
print(df)
A B
0 BULL Long
1 BEAR Short
2 BULL Long
为了您的编辑：
df = pd.DataFrame([['BULL APPLE X5',''],['BEAR APPLE X5',''],['BULL APPLE X5','']], columns=['A','B'])
df["B"] = df["A"].map(lambda x: "Long" if "BULL" in x else "Short" if "BEAR" in x else "")
print(df)
A B
0 BULL APPLE X5 Long
1 BEAR APPLE X5 Short
2 BULL APPLE X5 Long
或者只需在以下后面添加列：
df = pd.DataFrame(['BULL APPLE X5','BEAR APPLE X5','BLL APPLE X5'], columns=['A'])
df["B"] = df["A"].map(lambda x: "Long" if "BULL" in x else "Short" if "BEAR" in x else "")
print(df)
或使用包含：
df = pd.DataFrame([['BULL APPLE X5',''],['BEAR APPLE X5',''],['BULL APPLE X5','']], columns=['A','B'])
df["B"][df['A'].str.contains("BULL")] = "Long"
df["B"][df['A'].str.contains("BEAR")] = "Short"
print(df)
0 BULL APPLE X5 Long
1 BEAR APPLE X5 Short
2 BULL APPLE X5 Long
你可以用 str.extract 搜索正则表达式模式 BULL|BEAR，然后使用 Series.map 替换这些字符串 Long 要么 Short：
In [50]: df = pd.DataFrame([['BULL APPLE X5',''],['BEAR APPLE X5',''],['BULL APPLE X5','']],columns=['A','B'])
In [51]: df['B'] = df['A'].str.extract(r'(BULL|BEAR)').map({'BULL':'Long', 'BEAR':'Short'})
In [55]: df
Out[55]:
A B
0 BULL APPLE X5 Long
1 BEAR APPLE X5 Short
2 BULL APPLE X5 Long
但是，形成中间系列 str.extract 与...相比相当慢 df['A'].map(lambda x:...)。使用IPython的 %timeit 为基准计时，
In [5]: df = pd.concat([df]*10000)
In [6]: %timeit df['A'].str.extract(r'(BULL|BEAR)').map({'BULL':'Long', 'BEAR':'Short'})
10 loops, best of 3: 39.7 ms per loop
In [7]: %timeit df["A"].map(lambda x: "Long" if "BULL" in x else "Short" if "BEAR" in x else "")
100 loops, best of 3: 4.98 ms per loop
大部分时间都花在了 str.extract：
In [8]: %timeit df['A'].str.extract(r'(BULL|BEAR)')
10 loops, best of 3: 37.1 ms per loop
而呼唤 Series.map 比较快：
In [9]: x = df['A'].str.extract(r'(BULL|BEAR)')
In [10]: %timeit x.map({'BULL':'Long', 'BEAR':'Short'})
1000 loops, best of 3: 1.82 ms per loop
另外，填充 df['B'] 你可以尝试以下方法 -
def applyFunc(s):
if s == 'BULL':
return 'Long'
elif s == 'BEAR':
return 'Short'
return ''
df['B'] = df['A'].apply(applyFunc)
df
>>
A B
0 BULL Long
1 BEAR Short
2 BULL Long
什么的 apply 函数确实是，每行的值是 df['A'] ，它叫 applyFunc 函数使用参数作为该行的值，并将返回的值放入同一行 df['B'] ，场景背后真正发生的事情有点不同，但价值并未直接投入 df['B'] 而是一个新的 Series 已创建，最后，将分配新系列 df['B'] 。