我有两个数据集。一个包含文本描述,另一个包含包含两列from_value
和to_value
的表。
我们的想法是使用第二个数据集替换文本描述中所有出现的单词。
我可以从第二个数据集中识别出4种类型的单词:
RPLCD -> REPLACED
ALT BRK -> ALTERNATE BREAK
A/C -> AIRCRAFT
或1-APU -> 1 APU
%
,我应删除它; -
同样的事情,除非它在像1-APU
这样的单词里面(我们替换整个单词)我通过Gdrive上传了我的2个数据集的示例,这里是链接: https://drive.google.com/drive/folders/1HYFhKAqbYPIy0ekyj9xLSbk30YZwf8ZG?usp=sharing
我的想法是首先将我的第二个数据集拆分为2个数据帧,一个包含多个单词,一个包含一个单词和特殊字符,或者拆分为3个数据帧,一个包含多个数据帧,一个包含独奏词,另一个包含特殊字符,并首先应用第一个数据帧,然后应用2sd,最后应用特殊字符删除,但它不起作用。
你有办法管理这种类型的替换吗?
这是我的代码:
import sys
import pyspark
import pandas_datareader
import re
import csv
import xlrd
import pandas as pd
import numpy as np
import datetime
from pyspark.context import SparkContext
from pyspark.sql.functions import *
from pandas import DataFrame
from pandas_datareader import data, wb
from pandas import *
from xlrd import open_workbook
## 1)read the source table (OI and description)
xls = ExcelFile("df1.xls")
df = xls.parse(xls.sheet_names[0])
## 2)remove the nan values from df
df = df.replace(np.nan, '')
## 3)read the subtitution table
xls1 = ExcelFile("df2.xls")
df1 = xls1.parse(xls1.sheet_names[0])
df1.drop(df1.columns[0],inplace=True,axis=1)
## 4)separate the subtitution table into 2 datasets
df3 = pd.DataFrame(columns=('FROM_VALUE', 'TO_VALUE'))
df4 = pd.DataFrame(columns=('FROM_VALUE', 'TO_VALUE'))
df5=[]
df6=[]
for (idx, row) in df1.iterrows():
if len(row.loc['FROM_VALUE'].split()) > 1:
df5.append([row.loc['FROM_VALUE'],row.loc['TO_VALUE']])
else:
df6.append([row.loc['FROM_VALUE'],row.loc['TO_VALUE']])
df7= pd.DataFrame(df5)
df7=df7.rename(columns = {0:'FROM_VALUE',1:'TO_VALUE'})
df7 = df7.replace(np.nan, '', regex=True)
df9 = Series(df7.TO_VALUE.values,index=df7.FROM_VALUE).to_dict()
df8= pd.DataFrame(df6)
df8=df8.rename(columns = {0:'FROM_VALUE',1:'TO_VALUE'})
df8 = df8.replace(np.nan, '', regex=True)
df10 = Series(df8.TO_VALUE.values,index=df8.FROM_VALUE).to_dict()
## 5)processing the description list based on the subtitution table
df11 = {r'(\b){}(\b)'.format(k):r'\1{}\2'.format(v) for k,v in df9.items()}
df12 = {r'(\b){}(\b)'.format(k):r'\1{}\2'.format(v) for k,v in df10.items()}
df['WORK_PERFORMED_NEW'] = df['WORK_PERFORMED'].replace(df11, regex=True)
df['WORK_PERFORMED_NV'] = df['WORK_PERFORMED_NEW'].replace(df12, regex=True)
答案 0 :(得分:0)
我会将替换单词替换为特殊字符的替换,因为IMO需要循环遍历列表,特殊字符可以替换为一行。
所以给出了以下三个变量,其中df1
是要处理的数据,df2
是单词替换列表,unwanted_chars
是用于过滤字符的正则表达式:
df1
Out:
WORK_PERFORMED
ID
1 WORD1 ! ? WORD2 < : ) ALT WORD3 A/C DEFFRED W...
2 1-APU WORD2 ~ REPLACED % WORD3 @ DEF WORD4 ALT...
3 WORD1 WORD2 ALT BRK WORD3 WORD4
df2
Out:
FROM_VALUE TO_VALUE
ROW_ID
1 DEF DEFERRED
2 DEFERED DEFERRED
3 DEFFRED DEFERRED
4 DEFRD DEFERRED
5 DFR D DEFERRED
6 DFRD DEFERRED
7 DIFERED DEFERRED
8 ALT BRK ALTERNATE BREAK
9 ALT ALTITUDE
10 A/C AIRCRAFT
11 A/BRK AUTOBRAKE
12 BRK BREAK
13 1-FIRE 1 FIRE
14 1-HP 1 HIGH PRESSURE
unwanted_chars = re.compile('[^a-zA-Z0-9 ]+')
然后,您可以定义一个接受字符串作为输入的函数,然后遍历您的替换列表,检查每个尝试替换的条目。这是通过包含空格或字符串开头/结尾的正则表达式来完成的,这样就不会匹配单词的子字符串。在循环之后,单行用空格替换所有不需要的字符:
def subst(x):
for fr, to in zip(df2.FROM_VALUE, df2.TO_VALUE):
x = re.sub('((?<=^)|(?<= ))' + fr + '(?=$| )', to, x)
x = re.sub(unwanted_chars, ' ', x)
return x
准备好后,您只需将此功能映射到数据帧的列:
df1.WORK_PERFORMED.map(subst)
Out:
ID
1 WORD1 WORD2 ALTITUDE WORD3 AIRCRAFT...
2 1 APU WORD2 REPLACED WORD3 DEFERRED WORD...
3 WORD1 WORD2 ALTERNATE BREAK WORD3 WORD4
Name: WORK_PERFORMED, dtype: object