从另一个数据框架中的一个数据框架中搜索值

Question

警告：您将看到一个非常。非常糟糕的一段代码。我知道，我只是不知道如何解决。我尝试了几种替代方法，但是我缺乏在Pandas的经验（或numpy-也许这是更好的替代方法）。您已被警告！

我有两个数据框，我需要从数据框2上存在的数据框1中找到匹配的信息。让我告诉你：

# DataFrame 1
d1 = {'name': ['John Doe', 'Jane Doe'], 
'email': ['john@example.com', 'jane@example.com'], 
'phone': ['15181111111', '15182222222']}

df1 = pd.DataFrame(data=d1)
###
# DataFrame 2
d2 = {'name': ['Fred Flinstone', 'Barney Rubble', 'Betty Rubble'], 
'email': ['john@example.com', 'barney@example.com', 'betty@example.com'], 
'Mobile': ['15183333333', '15182222222', '15184444444'], 
'LandLine': ['15181111111', '15182222222', '15185555555']}

df2 = pd.DataFrame(data=d2)

所以我的目标是找到df2中的哪些行与df1（电子邮件，电话）中的每条可用数据（但名称）匹配。找到匹配项后，我需要记录两个数据帧中的所有数据。

现在，开始咬指甲，深吸一口气，看看我在做的耻辱。它确实有效，但是您会很快意识到问题所在：

# Empty dataframe to store matches
df_found = pd.DataFrame(columns=['df1 Name', 'df1 email', 'df1 phone', 'df2 name', 'df2 email', 'df2 mobile', 'df2 landline'])

# Search for matches
for row_df1 in df1.itertuples():
    tmp_df = df2[df2['email'].str.contains(row_df1.email, na=False, case=False)]
    if(len(tmp_df) > 0):
        for row_df2 in tmp_df.itertuples():
            df_found.loc[len(df_found)] = [row_df1.name, row_df1.email, row_df1.phone, row_df2.name, row_df2.email, row_df2.Mobile, row_df2.LandLine]
    
    tmp_df = df2[df2['Mobile'].str.contains(row_df1.phone, na=False, case=False)]
    if(len(tmp_df) > 0):
        for row_df2 in tmp_df.itertuples():
            df_found.loc[len(df_found)] = [row_df1.name, row_df1.email, row_df1.phone, row_df2.name, row_df2.email, row_df2.Mobile, row_df2.LandLine]
    
    tmp_df = df2[df2['LandLine'].str.contains(row_df1.phone, na=False, case=False)]
    if(len(tmp_df) > 0):
        for row_df2 in tmp_df.itertuples():
            df_found.loc[len(df_found)] = [row_df1.name, row_df1.email, row_df1.phone, row_df2.name, row_df2.email, row_df2.Mobile, row_df2.LandLine]

#Drop duplicates - Yes of course there are many
df_found.drop_duplicates(keep='first',inplace=True)

您去了，我在一个循环中有一系列循环，每个循环遍历相同的数据并添加 temporary 数据框和 matchholder 数据框。

最后我得到了结果：

但是速度太恐怖了。我的真实数据帧的第一列为29列，第二列为55列。第一类大约有10万条记录，第二类大约有50万条记录。现在，在没有GPU和16GB RAM的i7中，该过程大约需要四个小时。

如果您已经可以呼吸并且不再用力撞墙，那么我将对如何正确使用此方法提出一些想法。

非常感谢您！

Answer 1

O（n ^ 2）个操作

向数据帧添加一行需要复制整个数据帧-因此一次建立一个数据帧是O（n ^ 2）操作，而且非常慢。另外，Series.str.contains要求检查每个字符串值是否包含。由于您正在将每一行与其他每一行进行比较，因此这也是O（n ^ 2）操作。

通常，熊猫的单行操作表示代码很慢。

用合并替换循环

您可以执行SQL样式的连接来执行您在此处尝试执行的操作。

email_merge = df1.merge(df2, on=["email"], suffixes=("", "_right"))
mobile_merge = df1.merge(df2, left_on=["phone"], right_on=["Mobile"], suffixes=("", "_right"))
landline_merge = df1.merge(df2, left_on=["phone"], right_on=["LandLine"], suffixes=("", "_right"))

第一行在电子邮件字段之间进行联接。第二个联接针对第一种电话。第三次加入针对第二种电话。顺便说一句，您将要完成很多重复操作。

然后可以将每个数据帧连接在一起：

print(pd.concat([email_merge, landline_merge, mobile_merge], sort=True))

这给了我以下结果：

      LandLine       Mobile             email         email_right      name      name_right        phone
0  15181111111  15183333333  john@example.com                 NaN  John Doe  Fred Flinstone  15181111111
0  15181111111  15183333333  john@example.com    john@example.com  John Doe  Fred Flinstone  15181111111
1  15182222222  15182222222  jane@example.com  barney@example.com  Jane Doe   Barney Rubble  15182222222
0  15182222222  15182222222  jane@example.com  barney@example.com  Jane Doe   Barney Rubble  15182222222

Answer 2

尝试合并数据框：

df_found = pd.merge(df1.loc[:, df1.columns != 'name'], df2.loc[:, df2.columns != 'name'], how='inner')
df_found = df_found.merge(df1)