Question

我想使用数据框对零件进行分类。

简化问题以尝试显示问题：

data = {'col1': ['engine','blue engine cover','spark plug',
        'rear panel','black rear panel', 'blue engine']}
desc_df = pd.DataFrame(data=data)

catg = {'bodywork': ['engine cover','side panel','rear panel'],'underhood':['engine','spark plug','oil filter'],
   'Glass':['Windscreen','window','demister']}

catg_df = pd.DataFrame(data=catg)

catg_df


   Glass         bodywork       underhood
0 Windscreen     engine cover   engine 
1 window         side panel     spark plug 
2 demister       rear panel     oil filter 

desc_df

     col1
0   engine 
1 blue engine cover 
2 spark plug 
3 rear panel 
4 black rear panel 
5 blue engine

我想最终：

  col1                Category
0 engine              underhood 
1 blue engine cover   underhood 
2 spark plug          underhood 
3 rear panel          bodywork 
4 black rear panel    bodywork 
5 blue engine         underhood

我最接近的是：

d=catg_df.apply('|'.join).to_dict()

desc_df['Category'] = desc_df['col1'].apply(lambda x : ''.join([z if pd.Series(x).str.contains(y).values else '' for z,y in d.items()]))

但我最终在字符串中找到了“引擎”和“引擎封面”： desc_df

col1                   Category
0 engine              underhood 
1 blue engine cover   bodyworkunderhood 
2 spark plug          underhood 
3 rear panel          bodywork 
4 black rear panel    bodywork 
5 blue engine         underhood

我是否可以使用某种方法，如果它首先找到“引擎覆盖”，然后使用此类别进行分类，而不是转移到“引擎”。

Answer 1

一种方法是使用RewriteRule ^%25C3%25B6(.*) ö$1 [L,R=301]获取最接近的值和difflib：

首先创建一个映射器：

lambda

因此，mapper将如下：

from difflib import get_close_matches
mapper = {val:k for k, v in catg_df.to_dict('list').items() for val in v}
print(mapper)

现在，使用{'Windscreen': 'Glass', 'demister': 'Glass', 'engine': 'underhood', 'engine cover': 'bodywork', 'oil filter': 'underhood', 'rear panel': 'bodywork', 'side panel': 'bodywork', 'spark plug': 'underhood', 'window': 'Glass'}和lambda查找最接近的值：

difflib

结果：

# avoid calling mapper.keys() in lambda 
keys = mapper.keys()
desc_df['Category'] = desc_df['col1'].apply(lambda row: mapper[get_close_matches(row, keys)[0]])

Answer 2

您可以通过迭代字典来解决此问题：

from collections import OrderedDict

d = OrderedDict([(k, '|'.join(catg_df[k].tolist())) for k in catg_df.columns[::-1]])

for k, v in d.items():
    desc_df.loc[desc_df['col1'].str.contains(v), 'Category'] = k

<强>结果

print(desc_df)

                col1   Category
0             engine  underhood
1  blue engine cover   bodywork
2         spark plug  underhood
3         rear panel   bodywork
4   black rear panel   bodywork
5        blue engine  underhood

<强>解释

对于字典中的每个项目，请检查str.contains条件与正则表达式值，并将键指定给“类别”列。
使用collections.OrderedDict优先考虑列。
在这种情况下，可以在d的构造中反转列的迭代顺序。

pandas如果完整字符串包含在另一个pandas数据帧中

2 个答案: