如何在Python中像SAS一样按字符串内容填充分类字段？

我有大量保险类型字符串需要分类，其中少数为标准类型，但长尾部分需根据字符串包含的特定术语进行分类：

• 若字符串包含"HMO"或"PPO"，分类为private（私人保险）
• 若包含"Medicaid"或"Medicare"，分类为public（公共保险）
• 若包含"No Insurance"或"Charity"，分类为self pay（自费）

部分分类字段已填充值，其余为空，示例数据如下：

data = {'category': ['public', 'private', 'self pay', '', '', ''],
        'raw': ['Medicaid', 'Blue Cross Blue Shield', 'No Insurance', 'blah blah PPO or something', 'HMO with a lot of weird stuff', 'blah blah charity']
       }

df = pd.DataFrame(data)

print(df)

在SAS中可通过如下代码实现该逻辑（findw函数查找指定术语的起始位置，位置大于0则表示术语存在）：

IF category is NULL then do;
    IF raw = 'Medicaid' THEN category = 'public' ;
    ELSE IF raw = 'Blue Cross Blue Shield' THEN category = 'private';
    ELSE IF findw(raw, 'Sliding Scale') > 0 THEN category = 'self pay';
    ELSE IF findw(raw, 'PPO') > 0 THEN category = 'private' ;    
    ELSE IF findw(raw, 'HMO') > 0 THEN category = 'private' ;   
end ;

请问如何在Python中使用str.contains实现类似SAS的逻辑，填充空分类字段？或者有没有更Pythonic的实现方式？

方法一：使用str.contains结合条件判断填充 #

先筛选出category为空的行，再按优先级依次判断raw字段内容并赋值，设置case=False可忽略大小写匹配：

import pandas as pd

# 筛选分类为空的行
mask = df['category'] == ''

# 按优先级依次赋值
df.loc[mask & df['raw'].str.contains('Medicaid|Medicare', case=False), 'category'] = 'public'
df.loc[mask & (df['raw'] == 'Blue Cross Blue Shield'), 'category'] = 'private'
df.loc[mask & df['raw'].str.contains('Sliding Scale', case=False), 'category'] = 'self pay'
df.loc[mask & df['raw'].str.contains('PPO|HMO', case=False), 'category'] = 'private'
df.loc[mask & df['raw'].str.contains('No Insurance|Charity', case=False), 'category'] = 'self pay'

方法二：更Pythonic的实现——np.select #

将条件与对应结果整理成列表，逻辑清晰且便于维护，顺序对应SAS中的判断优先级：

import pandas as pd
import numpy as np

# 定义条件列表与对应结果
conditions = [
    df['category'] != '',  # 已填充的分类保持不变
    df['raw'].str.contains('Medicaid|Medicare', case=False),
    df['raw'] == 'Blue Cross Blue Shield',
    df['raw'].str.contains('Sliding Scale', case=False),
    df['raw'].str.contains('PPO|HMO', case=False),
    df['raw'].str.contains('No Insurance|Charity', case=False)
]

results = [
    df['category'],
    'public',
    'private',
    'self pay',
    'private',
    'self pay'
]

# 应用条件赋值
df['category'] = np.select(conditions, results, default='')

方法三：自定义函数+apply #

如果后续逻辑需要扩展，可编写自定义函数逐行处理：

def classify_insurance(row):
    if row['category'] != '':
        return row['category']
    raw_content = row['raw'].lower()
    if 'medicaid' in raw_content or 'medicare' in raw_content:
        return 'public'
    if row['raw'] == 'Blue Cross Blue Shield':
        return 'private'
    if 'sliding scale' in raw_content:
        return 'self pay'
    if 'ppo' in raw_content or 'hmo' in raw_content:
        return 'private'
    if 'no insurance' in raw_content or 'charity' in raw_content:
        return 'self pay'
    return ''

df['category'] = df.apply(classify_insurance, axis=1)

内容的提问来源于stack exchange，提问作者Sandra T