熊猫：从一个数据框列过滤数据并更新另一个df列

Question

我在大熊猫中有一种情况。我有一个Excel文件，其中有一个名为item的列，其中包含一些文本。我有另一个数据框，其中有一列称为brand。如果项目列文本中存在品牌字符串，我想在项目列前面添加品牌名称。

这是我的excel文件快照。

我的品牌数据框如下所示。

brand_df =  pd.DataFrame({'brand':['spark','hadoop','hive']})

我想检查brand_df中是否存在item_df品牌。如果存在品牌，则它应位于商品前面的update_column名称下方，如下所示。

根据pandas文档，我们应该了解实现此目标的地图，但是我的map函数如下所示。

 self.item_df['updated_column'] = self.item_df["item"].map(lambda x : 'spark' if 'spark' in x else 'hive' if 'hive' in x else 'hadoop' if 'hadoop' in x else '' )

在上述命令中，问题是当您的品牌列表很长时，将很难工作。

有人能建议我解决这个问题的最佳方法吗？

Excel内容的文本版本

item
hadoop is fast
hive is sql on hdfs
spark is superfast
spark is awesome
AWS is emr function 

Answer 1

使用带有Series.str.extract的单词边界来获取第一个匹配值：

pat = '|'.join(r"\b{}\b".format(x) for x in brand_df['item'])

#if dont need words boundaries
#pat = '|'.join(brand_df['item'])
item_df['updated_column'] = item_df['item'].str.extract('('+ pat + ')', expand=False)

或者如果需要所有匹配的值，请使用Series.str.findall和Series.str.join：

item_df['updated_column'] = item_df['item'].str.findall(pat).str.join(',')

Answer 2

为什么没有pd.Series.str.findall和str.join：

df['update_column'] = df['item'].str.findall('|'.join(brand_df['brand'])).str[0]