Teradata Package for Python Function Reference | 20.00 - startswith - Teradata Package for Python - Look here for syntax, methods and examples for the functions included in the Teradata Package for Python.

Teradata® Package for Python Function Reference - 20.00

Deployment
VantageCloud
VantageCore
Edition
Enterprise
IntelliFlex
VMware
Product
Teradata Package for Python
Release Number
20.00
Published
March 2024
Language
English (United States)
Last Update
2024-04-10
dita:id
TeradataPython_FxRef_Enterprise_2000
Product Category
Teradata Vantage
teradataml.dataframe.sql.DataFrameColumn.startswith = startswith(self, other)
DESCRIPTION:
    Function to check whether the column value starts with the specified value or not.
 
PARAMETERS:
    other:
        Required Argument.
        Specifies a string literal or ColumnExpression to match.
        Types: str OR ColumnExpression
 
RETURNS:
    ColumnExpression.
 
EXAMPLES:
    >>> load_example_data("ntree", "employee_table")
    >>> df = DataFrame("employee_table")
    >>> df
           emp_name  mgr_id mgr_name
    emp_id
    200         Pat   100.0      Don
    300       Donna   100.0      Don
    400         Kim   200.0      Pat
    500        Fred   400.0      Kim
    100         Don     NaN       NA
 
    # Example 1: Find out the employees whose name starts with their managers name.
    >>> df[df.emp_name.startswith(df.mgr_name)]
           emp_name  mgr_id mgr_name
    emp_id
    300       Donna     100      Don
 
    # Example 2: Find out the employees whose manager name starts with Don.
    >>> df[df.mgr_name.startswith('Don')]
           emp_name  mgr_id mgr_name
    emp_id
    300       Donna     100      Don
    200         Pat     100      Don
 
    # Example 3: Create a new column with values as
    #            1, if employees manager name starts with 'Don'.
    #            0, else.
    >>> df.assign(new_col=case_when((df.mgr_name.startswith('Don').expression, 1), else_=0))
           emp_name  mgr_id mgr_name new_col
    emp_id
    300       Donna   100.0      Don       1
    500        Fred   400.0      Kim       0
    100         Don     NaN       NA       0
    400         Kim   200.0      Pat       0
    200         Pat   100.0      Don       1