Question

我有2个csv文件价格和性能。

这是每个的数据布局

价格：

性能：

我使用以下命令将它们导入python：

import pandas as pd

price = pd.read_csv("cpu.csv")
performance = pd.read_csv("geekbench.csv")

这可以按预期工作，但是我不确定如何创建一个新的csv文件，并在Price [brand + model]和Performance [name]之间进行匹配

我想参加：

价格中的核心，tdp和价格
成绩中的得分，multicore_score和名称

使用上面的这些参数创建一个新的csv文件。我一直在寻找一种很好的匹配方法，该方法忽略了细微的差异，例如大写字母。我一直在研究诸如模糊字符串匹配之类的算法，但不确定最佳选择是什么。

这是我当前抛出错误的尝试；

for i in range(len(price.index)):
    brand = (price.iloc[i, 0])
    model = (price.iloc[i, 1])
    print(model)
    print(performance)
    print(performance.query('name == brand+model'))

谢谢

Answer 1

我建议以下内容：

import nltk
import pandas as pd
tokenizer = nltk.RegexpTokenizer(r'\w+')
price = pd.DataFrame({"brand": ["AMD", "AMD", "AMD", "AMD"],
                      "model" : ["2650", "3800", "5150", "4200"],
                      "cores" : [2,4,4,4],
                      "tdp" : [25,25,25,25]})
performance = pd.DataFrame({"name": ["AMD Athlon 64 3200+",
                                     "AMD Athlon 64 X2 3800+",
                                     "AMD Athlon 64 X2 4000+",
                                     "AMD Athlon 64 X2 4200+"],
                            "score" : [6,5,6,18]})
# I break down the name in performance and suppress capital letters
performance["tokens"] = (performance["name"].str.lower()
                         .apply(tokenizer.tokenize))
# And the same for price
price["tokens"] = price.loc[:,"brand"].values + " " + \
                   price.loc[:,"model"].values
price["tokens"] = (price["tokens"].str.lower()
                         .apply(tokenizer.tokenize))
# cartesian product

price["key"] = 1
performance["key"] = 1
df = pd.merge(price,performance, on = "key")
# define my criteria for match
n_match = 2

df['intersection'] =\
    [len(list(set(a).intersection(set(b))))
     for a, b in zip(df.tokens_x,
                     df.tokens_y)]
df = df.loc[df["intersection"]>=n_match,:]

我重新定义了您的数据集，以便在本示例中我们将有一些匹配项。结果就是我得到的：

   brand model  cores  ...  score                     tokens_y  intersection
5    AMD  3800      4  ...      5  [amd, athlon, 64, x2, 3800]             2
15   AMD  4200      4  ...     18  [amd, athlon, 64, x2, 4200]             2
[2 rows x 10 columns]

您可以为n_match重新定义条件，我输入了两个，因为看起来这正是数据集所需要的。希望对您有帮助

Answer 2

您可以在价格上创建一个“名称”列，然后将其与该名称上的Performane合并，然后合并这两个框架。

Price['name'] = Price.brand + ' ' + Price.model.astype(str)
Price.merge(Performance, on='name')

但是，由于至少您在问题中显示的示例数据行不匹配，因此结果框可能为空。例如，这不是语言问题。大写，但只是缺少信息。只有在您以“真实语言”定义了关系规则之后，您才能使用Python对其进行编码。

如何使用熊猫PYTHON按列中的值合并两个CSV文件

2 个答案: