如何从pandas现有列提取指定列表内的子串创建新列

问题原因 #

你原有代码运行失败的核心原因是lambda中写的生成器表达式会直接返回生成器对象，而非单个匹配值，无法直接赋值给DataFrame的列。

解决方案 #

方案1：修正apply写法（适合小数据量场景）

用next()方法取生成器的第一个匹配结果，无匹配时返回np.nan：

import pandas as pd
import numpy as np

state_us = ['Ohio', 'California']
fake_df = pd.DataFrame(np.array(['Route 66, Ohio, US', 'California US']), columns = ['Address'])

fake_df['State'] = fake_df['Address'].apply(
    lambda x: next((element for element in state_us if element in x), np.nan)
)

方案2：向量化正则提取（适合大数据量场景，性能更优）

用pandas原生的str.extract方法实现，无需逐行遍历：

# 将州名列表拼接为正则「或匹配」模式
pattern = '|'.join(state_us)
# 提取第一个匹配到的子串，无匹配返回NaN
fake_df['State'] = fake_df['Address'].str.extract(f'({pattern})', expand=False)

运行两种方案后得到的fake_df都和你需要的results_df完全一致。

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