Поиск совпадения в фрейме данных pandas

Со следующим файлом csv

id,name,cy,in
0,MD,4,16
2,MD,10,20
3,YD,5,14
4,ZD,10,14

Я написал следующий код для создания нового фрейма данных.

df = pd.read_csv('test.csv', usecols=['id', 'name', 'cy', 'in'])
df2 = pd.DataFrame(columns=['N', 'I', 'C'])
ids=[0,2,4]
for i in ids:
    row = df.loc[df['id'] == i]
    cyc = row.at[row.index[0],'cy']
    ins = row.at[row.index[0],'in']
    name = row.at[row.index[0],'name']
    if df2['N'].str.contains(name):
        print("Matched")
    else:
    new_row = {'N':name, 'I':ins, 'C':cyc}
    df_temp = pd.DataFrame([new_row])
    df2 = pd.concat([df2, df_temp], axis=0, ignore_index=True)
print(df2)

Как видите, для указанного id я сначала получаю строку из исходного фрейма данных, df. Если я не смог найти name во втором фрейме данных, df2, создайте новую строку и добавьте ее во второй фрейм данных. Однако при совпадении я хотел бы добавить значения в существующую строку. Итак, в итоге я ожидаю увидеть:

    N   I   C
0  MD  36  14
2  ZD  14  10

Однако это утверждение if содержит следующую ошибку:

ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().

Как я могу это исправить?

Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
0
0
23
2
Перейти к ответу Данный вопрос помечен как решенный

Ответы 2

Ответ принят как подходящий

Используйте Series.isin для получения всех id в boolean indexing, а затем агрегируйте sum в агрегации имен:

ids=[0,2,4]

df = (df[df['id'].isin(ids)].groupby('name', as_index=False)
                            .agg(I=('in','sum'), C=('cy','sum'))
                            .rename(columns = {'name':'N'}))
print (df)
    N   I   C
0  MD  36  14
1  ZD  14  10

Вы можете использовать isin, затем groupby и именованную агрегацию

out = df[df['id'].isin(ids)].groupby('name').agg(I=('in', sum),
                                                 C=('cy', sum)).reset_index().rename(columns = {'name': 'N'})
print(out)

    N   I   C
0  MD  36  14
1  ZD  14  10

Другие вопросы по теме