Question

我有 2 个数据框，其中包含列表列。
我想根据列表中的 2+ 共享价值观加入他们。示例：

ColumnA ColumnB        | ColumnA ColumnB        
id1     ['a','b','c']  | id3     ['a','b','c','x','y', 'z']
id2     ['a','d,'e']   |

在这种情况下，我们可以看到 id1 匹配 id3，因为列表中有 2 个以上的共享值。所以输出将是（列名并不重要，只是举例）：

    ColumnA1 ColumnB1     ColumnA2   ColumnB2        
    id1      ['a','b','c']  id3     ['a','b','c','x','y', 'z']

我怎样才能达到这个结果？我试图迭代数据帧 #1 中的每一行，但这似乎不是一个好主意。
谢谢！

Answer 1

使用行的笛卡尔积并检查每一行

代码在线记录

df1 = pd.DataFrame(
    {
        'ColumnA': ['id1', 'id2'],
        'ColumnB': [['a','b','c'], ['a','d','e']],
    }
)

df2 = pd.DataFrame(
    {
        'ColumnA': ['id3'],
        'ColumnB': [['a','b','c','x','y', 'z']],
    }
)

# Take cartesian product of both dataframes
df1['k'] = 0
df2['k'] = 0
df = pd.merge(df1, df2, on='k').drop('k',1)
# Check the overlap of the lists and find the overlap length
df['overlap'] = df.apply(lambda x: len(set(x['ColumnB_x']).intersection(
                                   set(x['ColumnB_y']))), axis=1)
# Select whoes overlap length > 2
df = df[df['overlap'] > 2]
print (df)

输出：

  ColumnA_x  ColumnB_x ColumnA_y           ColumnB_y  overlap
0       id1  [a, b, c]       id3  [a, b, c, x, y, z]        3

Answer 2

如果您使用的是 pandas 1.2.0 或更新版本（2020 年 12 月 26 日发布），笛卡尔积（交叉关节）可以简化如下：

    df = df1.merge(df2, how='cross')         # simplified cross joint for pandas >= 1.2.0

此外，如果您关心系统性能（执行时间），建议使用 list(map... 而不是较慢的 apply(... axis=1)

使用 apply(... axis=1)：

%%timeit
df['overlap'] = df.apply(lambda x: 
                         len(set(x['ColumnB1']).intersection(
                             set(x['ColumnB2']))), axis=1)


800 µs ± 59.1 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

使用 list(map(... 时：

%%timeit
df['overlap'] = list(map(lambda x, y: len(set(x).intersection(set(y))), df['ColumnB1'], df['ColumnB2']))

217 µs ± 25.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

请注意，使用 list(map... 的速度提高了 3 倍！

整套代码供您参考：

    data = {'ColumnA1': ['id1', 'id2'], 'ColumnB1': [['a', 'b', 'c'], ['a', 'd', 'e']]}
    df1 = pd.DataFrame(data)

    data = {'ColumnA2': ['id3', 'id4'], 'ColumnB2': [['a','b','c','x','y', 'z'], ['d','e','f','p','q', 'r']]}
    df2 = pd.DataFrame(data)

    df = df1.merge(df2, how='cross')             # for pandas version >= 1.2.0

    df['overlap'] = list(map(lambda x, y: len(set(x).intersection(set(y))), df['ColumnB1'], df['ColumnB2']))

    df = df[df['overlap'] >= 2]
    print (df)

基于列表列加入两个熊猫数据框

2 个答案: