Python 在无映射的情况下替换数据帧中的多个值的优雅方法？

我有一个如下所示的数据帧

import pandas as pd
df1 = pd.DataFrame({'ethnicity': ['AMERICAN INDIAN/ALASKA NATIVE', 'WHITE - BRAZILIAN', 'WHITE-RUSSIAN','HISPANIC/LATINO - COLOMBIAN',
                                 'HISPANIC/LATINO - MEXICAN','ASIAN','ASIAN - INDIAN','ASIAN - KOREAN','PORTUGUESE','MIDDLE-EASTERN','UNKNOWN',
                                 'USER DECLINED','OTHERS']})

我想替换“种族”列的值。例如：如果值是

ASIAN-INDIAN

，我只想将其替换为

ASIAN

类似地，我想替换包含

美语

、

白色

、

西班牙裔

的字符串，其他字符串替换为

其他

。这就是我想要的

df1.loc[df.ethnicity.str.contains('WHITE'),'ethnicity'] = "WHITE"
df1.loc[df.ethnicity.str.contains('ASIAN'),'ethnicity'] = "ASIAN"
df1.loc[df.ethnicity.str.contains('HISPANIC'),'ethnicity'] = "HISPANIC"
df1.loc[df.ethnicity.str.contains('AMERICAN'),'ethnicity'] = "AMERICAN"
df1.loc[df.ethnicity.str.contains(other ethnicities),ethnicity] = "Others" # please note here I don't know how to replace all other ethnicities at once as others

我希望我的输出如下所示

import pandas as pd
df1 = pd.DataFrame({'ethnicity': ['AMERICAN INDIAN/ALASKA NATIVE', 'WHITE - BRAZILIAN', 'WHITE-RUSSIAN','HISPANIC/LATINO - COLOMBIAN',
                                 'HISPANIC/LATINO - MEXICAN','ASIAN','ASIAN - INDIAN','ASIAN - KOREAN','PORTUGUESE','MIDDLE-EASTERN','UNKNOWN',
                                 'USER DECLINED','OTHERS']})

列表值使用和为匹配返回

NaN

s，因此添加：

或者你也可以加入我们的行列：

df1.ethnicity = (df1.ethnicity.str.extract('(WHITE|ASIAN|AMERICAN|HISPANIC)', expand=False)
                    .fillna('Others'))

---

---

哇！只有一行。向上投票。str-extract的工作原理是否类似于“str.extract”（“WHITE”|“ASIAN”|“AMERICAN”|“HISPANIC”）？@SSMK-是的，您很接近

df1.ocidentity=df1.ocidentity.str.extract（“（WHITE | ASIAN | AMERICAN | HISPANIC）”，expand=False）。fillna（'Others'）

，因此

L

用于提取字符串（

亚裔-印第安人

）从dataframe中重新替换为

L

（`ASIAN）@SSMK-否，它仅用于创建

（白人|亚裔|西班牙裔|美国人）

从列表中的值

L

@SSMK-解决方案相同，首先从列表中创建

（白人|亚裔|西班牙裔|美国人）

，然后传递到

提取
，第二次传递
（白人|亚洲人|西班牙裔|美国人）
仅提取。
.map（）
有什么问题吗？您可以始终使用
np。选择
来链接您的条件。我可能并不总是知道我的实际数据中可能包含哪些其他种族值，这些数据有超过百万行
print (df1)
   ethnicity
0   AMERICAN
1      WHITE
2      WHITE
3   HISPANIC
4   HISPANIC
5      ASIAN
6      ASIAN
7      ASIAN
8     Others
9     Others
10    Others
11    Others
12    Others