Question

我有一个有两列感兴趣的数据框。我想尝试按词比较两列，并找出是否有任何词重叠。如果是这样，我想附加一列以指示在行中找到了匹配的单词。

这是我的数据框示例：

df
    name1      name2
0   cat nip    giant cat
1   bad dog    blue sky
2   slow snail slimy snail
3   tall tree  big boy

这就是我想要的：

df
    name1      name2       found
0   cat nip    giant cat   True
1   bad dog    blue sky    False
2   slow snail slimy snail True
3   tall tree  big boy     False

我尝试了很多方法。一种方法是使用此代码：

df['found'] = df['name1'].apply(lambda x: any(i in df['name2'] for i in x))

哪个没用。第二种方法是使用此代码：

glossary = list(set(df['name1']))
pattern = '|'.join(glossary)
check = df[(df.name1.str.contains(pattern))& 
        (df.name2.str.contains(pattern))]

此代码也不起作用，它正在创建一个新的数据框（我不想要）。加上这两种方法都非常慢。有任何想法如何正确执行吗？

此外，我已经尝试过isin方法：

df['found'] = df['name1'].isin(df['name2'])

这也不起作用。它给了我许多错误的True标签。

Answer 1

您可以在系列之间使用&作为简单解决方案。

首先将您的列表transform到set

transf_1 = df.name1.str.split(" ").transform(set)
transf_2 = df.name2.str.split(" ").transform(set)

然后

>>> transf_1 & transf_2.values

0     True
1    False
2     True
3    False

Answer 2

或尝试以下操作：

df['found'] = [True if set(i['name1'].split()).intersection(i['name2'].split()) else False for idx,i in df.iterrows()]
print(df)

输出：

    name1      name2       found
0   cat nip    giant cat   True
1   bad dog    blue sky    False
2   slow snail slimy snail True
3   tall tree  big boy     False

根据同一行中单词的存在情况，查找两列是否匹配

2 个答案: