嗨,在此先感谢python和pandas的新手。
我有一个df列df['name']
,这个大数据由产品名称组成,所有产品名称都有不同的长度,字母,数字,标点符号和间距。
这使得每个名称都有一个唯一的值,这使得很难找到某些产品的变体。
然后我将列值按间距拆分。
df['name'].str.split(" ",expand = True)
我在此问题中找到了一些代码,但是我不知道如何使用它来迭代和比较列表,因为它使用了变量和2个列表,而我只有一个列表。 How can I compare two lists in python and return matches?
Not the most efficient one, but by far the most obvious way to do it is:
a = [1, 2, 3, 4, 5]
b = [9, 8, 7, 6, 5]
set(a) & set(b)
{5}
if order is significant you can do it with list comprehensions like this:
[i for i, j in zip(a, b) if i == j]
[5]
数据集
1.star t-shirt-large-red
2.star t-shirt-large-blue
3.star t-shirt-small-red
4.beautiful rainbow skirt small
5.long maxwell logan jeans- light blue -32L-28W
6.long maxwell logan jeans- Dark blue -32L-28W
-比较列表中的所有项目,并找到最长的字符串匹配项。示例:products:1,2,3具有匹配的部分字符串
result
COL1 COL2 COL3 COL4
1[star t-shirt] [large] [red] NONE
2[star t-shirt] [large] [blue] NONE
3[star t-shirt] [small] [red] NONE
4[beautiful rainbow skirt small] NONE NONE NONE
5[long maxwell logan jeans] [light blue] [32L] [28W]
6[long maxwell logan jeans] [Dark blue] [32L] [28W]
任何人都可以为我指出正确的方向,以实现我的最终结果。我研究了诸如Fuzzywuzzy和diffilab之类的模块,但不知道如何在正则表达式中应用它,但是不确定如何在具有多种格式的列表中实现字符串匹配? 请在回复时能逐步解释它,以便我了解您的工作以及原因。仅用于学习目的 再次谢谢你。
答案 0 :(得分:1)
嗯,您的问题确实很大。我认为您必须重新考虑这样做的目的。
第一步,每一行彼此对应。
df['onkey'] = 1
df1 = pd.merge(df[['name','onkey']],df[['name','onkey']], on='onkey')
df1['list'] = df1.apply(lambda x:[x.name_x,x.name_y],axis=1)
第二步是找到最长的字符串匹配项。
from os.path import commonprefix
df1['COL1'] = df1['list'].apply(lambda x:commonprefix(x))
删除未找到字符串匹配项的行。
df1['COL1_num'] = df1['COL1'].apply(lambda x:len(x))
df1 = df1[(df1['COL1_num']!=0)]
找到最短的比赛。
df1 = df1.loc[df1.groupby('name_x')['COL1_num'].idxmin()]
合并df和df1。
df = df.rename(columns ={'name':'name_x'})
df = pd.merge(df,df1[['name_x','COL1']],on='name_x',how ='left')
我们可以看到如下数据:
name_x onkey COL1
0 star t-shirt-large-red 1 star t-shirt-
1 star t-shirt-large-blue 1 star t-shirt-
2 star t-shirt-small-red 1 star t-shirt-
3 beautiful rainbow skirt small 1 beautiful rainbow skirt small
4 long maxwell logan jeans- light blue -32L-28W 1 long maxwell logan jeans-
5 long maxwell logan jeans- Dark blue -32L-28W 1 long maxwell logan jeans-
如您所见,我们找到了最长的字符串匹配项。
处理公共字符串,然后我们将剩下的字符串分开。
df['len'] = df['COL1'].apply(lambda x: len(x))
df['other'] = df.apply(lambda x: x.name_x[x.len:],axis=1)
df['COL1'] = df['COL1'].apply(lambda x: x.strip())
df['COL1'] = df['COL1'].apply(lambda x: x[:-1] if x[-1]=='-' else x)
df['other'] = df['other'].apply(lambda x:x.split('-'))
最后,我们将它们结合在一起。
df = df[['COL1','other']]
df = pd.concat([df['COL1'],df['other'].apply(pd.Series)],axis=1)
结果:
COL1 0 1 2
0 star t-shirt large red NaN
1 star t-shirt large blue NaN
2 star t-shirt small red NaN
3 beautiful rainbow skirt small NaN NaN
4 long maxwell logan jeans light blue 32L 28W
5 long maxwell logan jeans Dark blue 32L 28W