如何简化Pandas中ICD10诊断码分组代码：条件存列表复用

问题 #

我已通过Pandas DataFrame创建了一组针对ICD10诊断码（Mr_Diag_Icd10_Code）的筛选条件，代码如下：

cat_A100 = df['Mr_Diag_Icd10_Code'].str.startswith(('A','B'))

sub_A101 = df['Mr_Diag_Icd10_Code'].str.startswith(tuple([f"A0{i}" for i in range(9)]))
sub_A102 = df['Mr_Diag_Icd10_Code'].str.startswith(tuple(["A09"]))
sub_A103 = df['Mr_Diag_Icd10_Code'].str.startswith(tuple([f"A{i}" for i in range(15,20)])) | df['Mr_Diag_Icd10_Code'].str.startswith(tuple(["B90"]))
sub_A104 = df['Mr_Diag_Icd10_Code'].str.startswith(tuple([f"A{i}" for i in range(40,42)]))
sub_A105 = df['Mr_Diag_Icd10_Code'].str.startswith(tuple(["B24"]))

随后利用这些条件为DataFrame新增了diagcat和diagsub分类变量，代码如下：

df.loc[cat_A100, 'diagcat'] = 'A100: Certain infectious and parasitic diseases'
df.loc[cat_A100 & sub_A101, 'diagsub'] = 'A101: Intestinal infectious diseases except diarrhoea'
df.loc[cat_A100 & sub_A102, 'diagsub'] = 'A102: Diarrhoea and gastroenteritis of presumed infectious origin'
df.loc[cat_A100 & sub_A103, 'diagsub'] = 'A103: Tuberculosis'
df.loc[cat_A100 & sub_A104, 'diagsub'] = 'A104: Septicaemia'
df.loc[cat_A100 & sub_A105, 'diagsub'] = 'A105: HIV disease'
df.loc[cat_A100 & ~sub_A101 & ~sub_A102 & ~sub_A103 & ~sub_A104 & ~sub_A105, 'diagsub'] = 'A106: Other infectious and parasitic diseases'

我希望将这些筛选条件存入元组或列表，在生成变量时直接引用以简化代码。请问这种思路是否可行？有没有更简洁的代码实现方式？恳请提供优化建议。

优化方案 #

思路可行性 #

你的思路完全可行，将筛选规则结构化存储（如列表、字典）能显著提升代码的可读性和可维护性，避免重复编写相似逻辑。

具体简化实现 #

可以把每个子分类的匹配规则与对应标签整理成结构化列表，再通过numpy.select批量处理多条件赋值，大幅减少重复代码：

import pandas as pd
import numpy as np

# 1. 处理主分类赋值
cat_A100 = df['Mr_Diag_Icd10_Code'].str.startswith(('A', 'B'))
df.loc[cat_A100, 'diagcat'] = 'A100: Certain infectious and parasitic diseases'

# 2. 定义子分类规则集合：(匹配条件, 对应标签)
sub_class_rules = [
    # A101: 肠道感染（除腹泻）
    (df['Mr_Diag_Icd10_Code'].str.startswith(tuple(f"A0{i}" for i in range(9))),
     'A101: Intestinal infectious diseases except diarrhoea'),
    # A102: 感染性腹泻肠胃炎
    (df['Mr_Diag_Icd10_Code'].str.startswith("A09"),
     'A102: Diarrhoea and gastroenteritis of presumed infectious origin'),
    # A103: 结核
    (df['Mr_Diag_Icd10_Code'].str.startswith(tuple(f"A{i}" for i in range(15,20)) + ("B90",)),
     'A103: Tuberculosis'),
    # A104: 败血症
    (df['Mr_Diag_Icd10_Code'].str.startswith(tuple(f"A{i}" for i in range(40,42))),
     'A104: Septicaemia'),
    # A105: HIV疾病
    (df['Mr_Diag_Icd10_Code'].str.startswith("B24"),
     'A105: HIV disease')
]

# 3. 拆分条件与标签，批量赋值子分类
conditions, labels = zip(*sub_class_rules)
df.loc[cat_A100, 'diagsub'] = np.select(
    conditions, 
    labels, 
    default='A106: Other infectious and parasitic diseases'
)

额外优化建议 #

• 规则解耦：把ICD10编码规则单独抽离成配置字典（甚至外部JSON/CSV文件），后续修改分类规则时无需改动业务代码；
• 空值处理：提前对Mr_Diag_Icd10_Code做空值填充，避免字符串方法报错：

  icd_codes = df['Mr_Diag_Icd10_Code'].fillna('')
  # 后续所有匹配逻辑改用icd_codes变量
  

• 扩展性：如果需要新增更多ICD10子分类，只需在sub_class_rules列表中添加新的规则条目即可，无需修改循环或赋值逻辑。

内容的提问来源于stack exchange，提问作者sparshad