Python 如何重新分类数据帧列？

我有一个熊猫数据框，看起来像这样：

> print(df)

           image_name                       tags
0                img1       class1 class2 class3
1                img2                     class2
2                img3              class2 class3
3                img4                     class1

如何对

标记

列进行重新分类，以使任何具有

class3

值的行都被分配字符串“yes”，而其他所有行都被分配字符串“no”

我知道我可以使用以下方法检查搜索词的实例：

df['tags'].str.contains('class3')

然而，我不知道如何将其整合到手头的任务中

以下是预期输出：

           image_name                       tags
0                img1                        yes
1                img2                         no
2                img3                        yes
3                img4                         no

用作：

或

或

---

上述方法的输出：

print(df)
  image_name tags
0       img1  yes
1       img2   no
2       img3  yes
3       img4   no

您还可以执行以下操作：

df['tags'] = df.tags.str.contains('class3').map({True:'Yes',False:'No'})
>>> df
  image_name tags
0       img1  Yes
1       img2   No
2       img3  Yes
3       img4   No

---

也许这比str.contains要快一点

v=np.array(['Yes','No'])[np.array(['class3' in x for x in df.tags]).astype(int)]
v
Out[267]: array(['No', 'Yes', 'No', 'Yes'], dtype='<U3')
#df['tags']=v

print(df)
  image_name tags
0       img1  yes
1       img2   no
2       img3  yes
3       img4   no

df['tags'] = df.tags.str.contains('class3').map({True:'Yes',False:'No'})
>>> df
  image_name tags
0       img1  Yes
1       img2   No
2       img3  Yes
3       img4   No

v=np.array(['Yes','No'])[np.array(['class3' in x for x in df.tags]).astype(int)]
v
Out[267]: array(['No', 'Yes', 'No', 'Yes'], dtype='<U3')
#df['tags']=v

#df=pd.concat([df]*1000)
#sacul
%timeit df.tags.str.contains('class3').map({True:'Yes',False:'No'})
The slowest run took 10.12 times longer than the fastest. This could mean that an intermediate result is being cached.
100 loops, best of 3: 3.11 ms per loop
#Mine
%timeit np.array(['Yes','No'])[np.array(['class3' in x for x in df.tags]).astype(int)]
1000 loops, best of 3: 390 µs per loop
#Borealis
%timeit np.where(df['tags'].str.contains('class3'),'yes','no')
100 loops, best of 3: 2.46 ms per loop