Question

输入：

df1

Pg  x0      y0      x1      y1      Text
1   521.3   745.92  537.348 754.097 word1
1   538.982 745.92  580.247 754.097 word2
1   527.978 735.253 572.996 747.727 word3
2   268.985 732.36  341.59  746.636 word4
2   344.443 732.36  390.175 746.636 word5

df2

Pg  x0      y0      x1      y1      Text                T   R   C
1   507.6   730.8   593.76  754.8   word1 word2 word3   1   1   2
2   334.56  732.36  401.34  746.636 word5               2   3   1

预期输出：

Pg  x0      y0      x1      y1      Text    T   R   C
1   521.3   745.92  537.348 754.097 word1   1   1   2
1   538.982 745.92  580.247 754.097 word2   1   1   2
1   527.978 735.253 572.996 747.727 word3   1   1   2
2   268.985 732.36  341.59  746.636 word4           
2   344.443 732.36  390.175 746.636 word5   2   3   1

我需要根据坐标（重叠）和基于 not Text 的方法来找到df1中的所有单词都出现在df2中。之后，我需要将[T，R，C]列的值从df2复制到df1。

例如：df2的第一行的坐标与df1的word1，word2，word3的坐标重叠。此处的重叠意味着df1中一行的bbox（x0，y0，x1，y1）应该位于df2特定行的bbox（x0，y0，x1，y1）内。

我的方法：

我要遍历df2中的每一行，然后比较df1中的每一行坐标，以找到任何重叠，然后合并数据帧。

for i, r in df2.iterrows():
    df1.loc[
                (df1.x0 >= r.x0) &
                (df1.y0 >= r.y0) &
                (df1.x1 <= r.x1) &
                (df1.y1 <= r.y1) , 'flag'] = 1

    df1.loc[df.flag == 1, ['T', 'R', 'C']] = r.T, r.R, r.C

问题是整个过程可以按预期正常运行，但是要花很多时间才能运行。运行df1 = 20,000行和df2 = 3500行大约需要90 seconds。

Answer 1

您可以使用apply和遮罩。示例：

def compare(row):
    mask = df2[
        (df2['x0'] <= row['x0']) &
        (df2['x1'] >= row['x1']) &
        (df2['y0'] <= row['y0']) &
        (df2['y1'] >= row['y1'])
    ]
    if mask.empty:
        return row
    row['T'] = mask['T'].tolist()[0]
    row['R'] = mask['R'].tolist()[0]
    row['C'] = mask['C'].tolist()[0]

return row

result = df1.apply(compare, axis=1)

根据没有公共列的坐标合并数据框

1 个答案: