Python 如何使用数据帧对多个字符串进行分组和筛选？

我是一名编码初学者，我已经尝试了几天寻找答案，但我没有成功我想做的事，所以提前道歉，如果它很容易，或者如果它已经存在于某个地方。。。 假设我有一个带有列的df1：series_id和discosure_name，我想通过用series_id和lung_ref_seg列替换df1来获得df2。对于df1中的同一系列id，我可以有几个名称（图左）。在df2（图右）中，我希望一个序列id只有一个病变名称。如果一个序列id有一个对应的病变名称，该名称有“lung”和“PredCorr”，我将把它作为lung\u ref\u seg的首选。如果病变名称没有“lung”和“PredCorr”，但有“lung”和“From”，我将把它作为lung\u ref\u seg的第二选择。如果病变名称没有两个第一选择中的任何一个，我会选择病变名称，它有'Pred'和'lung'作为lung\u ref\u seg的第三个选择。（病变名称可以有Nan值，我想将它们保存在lung_ref_seg中）。我已经尝试了很多东西（groupby、filter、str.contains、isin、lambda row…），所以我只想放一个我认为接近解决方案的代码：

lesion_name = test['lesion_name']
series_id = test['series_id']

def LungSegRef(lesion_name):
    for rows in series_id:
        if 'PredCorr' in lesion_name and 'lung' in lesion_name:
            return lesion_name
        elif 'PredCorr' not in lesion_name and 'From' in lesion_name and 'lung' in lesion_name:
            return lesion_name
        elif 'PredCorr' not in lesion_name and 'From' not in lesion_name and 'Pred' in lesion_name and 'lung' in lesion_name:
            return lesion_name
    return ''


# Apply the function RefLesionName 
test['lung_ref_seg'] = test['lesion_name'].apply(LungSegRef)

这样我就没有错误了，我在整个列lung\u ref\u seg中只有Nan值，并且仍然有多个相同的series\u id值。所以我想我们可以在某个地方使用groupby（“series_id”），也许我在函数中的参数是错误的。非常感谢你的帮助

这些行不是重复的。我发现了一些应该有效的方法，但我正在努力区分包含Pred和PredCorr的值，因为当我使用contains时，它不会在仅包含Pred的行和包含PredCorr的行之间产生差异。对于这段代码，我不能使用startswith（）和endswith（）。我试图用正则表达式找到答案，但目前我没有找到任何东西来区分只包含Pred和lung的行与包含PredCorr和lung的行

 def select_row2(row2):
    if row2.lesion_name.str.contains("Pred" and "lung" and "Corr" and "From",na=True).any():
        return row2[row2.lesion_name.str.contains("Corr" and "lung",na=True)]
       
    elif row2.lesion_name.str.contains("Pred" and "lung" and "Corr",na=True).any():
        return row2[row2.lesion_name.str.contains("Corr" and "lung",na=True)]
    
    elif row2.lesion_name.str.contains("lung" and "Corr" and "From",na=True).any():
        return row2[row2.lesion_name.str.contains("Corr" and "lung",na=True)]
    
    elif row2.lesion_name.str.contains("Pred" and "lung" and "From",na=True).any():
        return row2[row2.lesion_name.str.contains("From" and "lung",na=True)]
    
    elif row2.lesion_name.str.contains("Pred" and "lung",na=True).any():
        return row2[row2.lesion_name.str.contains("Pred" and "lung",na=True)]
    
    elif row2.lesion_name.str.contains("lung" and "Corr",na=True).any():
        return row2[row2.lesion_name.str.contains("lung" and "Corr",na=True)]
    
    elif row2.lesion_name.str.contains("lung" and "From",na=True).any():
        return row2[row2.lesion_name.str.contains("lung" and "From",na=True)]
    
    else:
        return None 

test = test.groupby("series_id").apply(select_row2).reset_index(drop=True) 

---

我认为您可以将此过程分为两步：

首先，筛选出您想要保留的数据（似乎包含特定字符串的特定值就是您想要的-但是我对您在这里的帖子有点困惑）

其次，从series_id列中删除重复项。这将导致每个值都只有一个值

正如您所提到的，使用df.filter函数进行过滤（尽管您也可以使用

df['lung\u ref\u seg']=df[df['lung\u ref\u seg'].str.contains（'STRING TO KEEP'））

---

删除重复项可以通过

df来完成。删除重复项（子集=['series\u id']）

我找到了一个现在似乎有效的答案

# We remove all lesion_name that contains string "tum" to work on creating the column lung_ref_seg (and we keep nan values)

test = test[~test.lesion_name.str.contains("tum",na=False)]

# Define the function to pick one lesion_name for one series_id prioritizing PredCorr first then From and then Pred for the last choice

def LungRefLesionName(row):
    if row.lesion_name.str.contains("(Pred)\w+" or "From" or "(Pred)\b", na=True).any():
        return row[row.lesion_name.str.contains("(Pred)\w+", na=True)]
        
    elif row.lesion_name.str.contains("From" or "(Pred)\b", na=True).any(): 
        return row[row.lesion_name.str.contains("From", na=True)] 
    
    elif row.lesion_name.str.contains("(Pred)\b" and "lung", na=True).any():
        return row[row.lesion_name.str.contains("(Pred)\b" and "lung", na=True)]

# Apply the function
test = test.groupby("series_id").apply(LungRefLesionName).reset_index(drop=True)


# Drop columns that we don't need anymore : segmentation_id, lesion_id, series_id and study_id

test = test.drop(['segmentation_id', 'lesion_id', 'series_id', 'study_id'], axis = 1)

# Renaming column lesion_name by lung_ref_lesion_name

test = test.rename(columns={"lesion_name": "lung_ref_lesion_name"})

---

稍后我将对包含“tum”的名称进行修改，因此我想我必须更改一些内容，但现在这段代码适用于使用“lung”操纵字符串！

非常感谢您的回答！不幸的是，这些行没有重复…我编辑了这篇文章，也许您可以了解更多，并帮助我有所不同区分包含lung和Pred的行以及包含lung和PredCorr的行（更多详细信息请参阅帖子）。再次感谢！