Question

我有两个大的csv文件。主要的一个字段作为产品名称，而在其他csv文件中我有一些关键字。我在第一个CSV文件中的产品名称中查找这些关键字。目前我的代码是这样的：

class Keyword:
    # keyword class for adding match keywords
        def __init__(self):
          self.data={}
        def add(self, keyword, count):
          if keyword in self.data.keys():
            self.data[keyword]+=count
          else:
            self.data[keyword]=count
        def get_match(self):
           temp = []
           for key, value in self.data.iteritems():
              temp.append(key)
              temp.append(value)
           return temp

for i, product_row in product_df.iterrows():
    product_title = product_row['title'].lower().replace(',','')
    k = Keyword()
    for j, keyword_row in keyword_df.iterrows():
        if keyword_row['keyword'] in product_title:
           k.add(keyword_row['keyword'], keyword_row['count'])

    match_items = k.get_match()
    if len(match_items)>0:
        temp = product_row.tolist()
        temp = [str(x).replace(',','') for x in temp]
        temp.extend(match_items)
        print>>sys.stdout, str(temp).strip('[]').replace("'",'')
    else:
        pass

这段代码非常慢，我有很多这些csv文件应该相互比较。您是否知道比较这些文件的更有效方法？

Answer 1

如果您的关键字实际上是单个单词，而不是多字表达式，我的第一个建议是将产品标题转换为更快查找的集合：

product_title = set(product_row['title'].lower().replace(',','').split())

Answer 2

阅读整个关键字文件，将关键字存储在列表中。之后，请阅读您的产品字段，并检查字段中是否有任何关键字，如果是，则打印它们。

with open("keywords.txt", "r") as f:
    keywords = f.read().splitlines()

with open("products.txt") as f:
    for product_name in f:
        if any(keyword in product_name for keyword in keywords):
            print product_name

如何在两个大的csv文件（python）中找到字符串中的子串

2 个答案: