Question

例如，我正在尝试在数据帧中的列之间执行部分字符串匹配：

df_A：

Items_A
purse
string
hat
glue
gum
cherry
cherry
cherry pie

和

df_B：

1       2    3
string  gum  cherry
glue

所需的输出：

df_matched：

matched Items_A
0       purse
1       string
0       hat
1       glue
2       gum
3       cherry
3       cherry
3       cherry pie

请注意，匹配列中的数字是匹配列中的标签，分别是1、2或3。如果不匹配，则标签为0。

我能够使用带有多个嵌套循环的正则表达式匹配，但想知道是否有一种方法可以使用熊猫的库来更有效地执行操作。

Answer 1

重塑df_B以获取此信息：

   level_0  level_1       0
0        0        1  string
1        0        2     gum
2        0        3  cherry
3        1        1    glue

重命名df_B列
获取df_B中唯一词的列表
在df_B中创建新列以从df_B中找到匹配的单词 df_A
合并和过滤

import regex

df_B = df_B.stack().reset_index()

df_B = df_B.rename(columns={"level_1": "matched", 0: "Items_A"})

items = df_B.Items_A.unique()

def partial_match(x, items):
    for item in items:
        if regex.search(r'.?'+item+'.?', x):
            return item
    return 0

df_A["matching_item"] = df_A["Items_A"].apply(lambda x: partial_match(x, items))


df_A = df_A.merge(df_B, how="left", left_on="matching_item", right_on="Items_A", suffixes=('', '_y'))

df_A = df_A.loc[:,["Items_A", "matched"]]

在数据框之间匹配部分表达式

1 个答案: