基于现有列条件用DataFrame新增列的简化实现方案咨询

核心优化点 #

通过批量生成转换规则消除重复代码，同时用in函数简化元素存在性判断，让逻辑更直观。

单行批量转换代码 #

@chain df begin
    transform([Cols(r"^Col") => ByRow(xs -> any(target in arr for arr in xs) ? "Yes" : "No") => Symbol(target) for target in ["V1", "V2", "V3"]]...)
end

代码详解 #

• 列表推导式一次性生成针对V1/V2/V3的三个转换规则，避免重复写三次transform
• any(target in arr for arr in xs)：遍历当前行所有Col开头的列的数组，只要任意一个数组包含目标值target，就返回true，对应新列值为"Yes"，否则为"No"
• ...用于将列表推导式生成的多个规则展开，让transform一次处理所有新增列

可读性优先的分步版本 #

如果觉得单行代码过于紧凑，可拆分为更清晰的步骤：

# 定义需要生成的目标列名
target_values = ["V1", "V2", "V3"]

# 批量生成转换规则
transform_rules = [
    Cols(r"^Col") => ByRow(row_cols -> any(val in col_arr for col_arr in row_cols) ? "Yes" : "No") => Symbol(val)
    for val in target_values
]

# 执行转换
@chain df begin
    transform(transform_rules...)
end

in函数的优势 #

in是Julia原生的成员判断函数，val in col_arr直接表达“val是否存在于数组col_arr中”的语义，比嵌套的any(y -> y == val, arr)写法更简洁易读，完全匹配你的需求场景。

内容的提问来源于stack exchange，提问作者psych0groov3