代码之家 › 专栏 › 技术社区 › L H

识别Pandas中正确的字符串顺序

string-matching hierarchy dataframe string pandas

L H · 技术社区 · 11 月前

我有一个数据帧如下,显示了每行中不同实体的关系。

小孩	父母亲	Ult_Pparent	完整家庭(_F)
A032	A001	A039	A001、A032、A039、A040、A041、A043、A043、A045、A046

在“Full_Family”列中,它显示了整个家谱从小到大的正确层次结构,而不仅仅是该特定行中的实体。但需要注意的是,并非“Full_Family”中的每个实体都会出现在“Child/PParent/Ult_Pparent”中,因为“Full_Ffamily”数据来自其他来源。

这里我有两个问题需要解决:

Child/PParent/Ult_Pparent顺序不正确,如何基于“Full_Family”列来确定正确的顺序?
如果可能的话,我还可以在整个表中而不是每一行中为一个族确定正确的Ult_Pparent吗。此正确的Ult_Pparent必须是已出现在“子”/“父”/“最终父”列中的实体。

以下是示例和理想结果:

小孩	父母亲	Ult_Pparent	完整家庭(_F)	Correct_Order	Correct_Ult_Parent_per_Family
A032	A001	A039	A001、A032、A039、A040、A041、A043、A043、A045、A046	A001、A032、A039	A043
A001	A043	A039	A001、A032、A039、A040、A041、A043、A043、A045、A046	A001、A039、A043	A043

虽然A046是该族中的最终父级,但它不会出现在此数据帧的Child/PParent/Ult_Pparent中,因此在这种情况下,每个族的正确最终父级是A043。

感谢您的帮助。

1 回复 | 直到 11 月前

e-motta 11 月前

IIUC,假设该数据帧作为输入:

import pandas as pd

data = {
    "Child": ["A032", "A001"],
    "Parent": ["A001", "A043"],
    "Ult_Parent": ["A039", "A039"],
    "Full_Family": [
        "A001, A032, A039, A040, A041, A043, A043, A045, A046",
        "A001, A032, A039, A040, A041, A043, A043, A045, A046",
    ],
}

df = pd.DataFrame(data)

  Child Parent Ult_Parent                                        Full_Family
0  A032   A001       A039  A001, A032, A039, A040, A041, A043, A043, A045...
1  A001   A043       A039  A001, A032, A039, A040, A041, A043, A043, A045...

您可以使用这种方法:

df["Correct_Order"] = df.apply(
    lambda row: ", ".join(sorted([row["Parent"], row["Child"], row["Ult_Parent"]])),
    axis=1,
)

df["Correct_Ult_Parent_per_Family"] = (
    df[["Parent", "Child", "Ult_Parent"]].max(axis=1).max()
)

  Child Parent Ult_Parent                                        Full_Family     Correct_Order Correct_Ult_Parent_per_Family
0  A032   A001       A039  A001, A032, A039, A040, A041, A043, A043, A045...  A001, A032, A039                          A043
1  A001   A043       A039  A001, A032, A039, A040, A041, A043, A043, A045...  A001, A039, A043                          A043

如果 'Full_Family' 不一定是按升序排列的,并且您希望尊重其顺序,可以定义一个自定义键 sorted .

例如,如果 A039 在之前 A032 在里面 'Full_Family' 在第一行中:

data = {
    "Child": ["A032", "A001"],
    "Parent": ["A001", "A043"],
    "Ult_Parent": ["A039", "A039"],
    "Full_Family": [
        "A001, A039, A032, A040, A041, A043, A043, A045, A046",
        "A001, A032, A039, A040, A041, A043, A043, A045, A046",
    ],
}

df = pd.DataFrame(data)

使用自定义密钥:

df["Correct_Order"] = df.apply(
    lambda row: ", ".join(
        sorted(
            [row["Parent"], row["Child"], row["Ult_Parent"]],
            key=lambda x: {
                val: idx for idx, val in enumerate(row["Full_Family"].split(", "))
            }[x],
        )
    ),
    axis=1,
)

df["Correct_Ult_Parent_per_Family"] = df["Correct_Order"].str.split().str[-1].max()

  Child Parent Ult_Parent                                        Full_Family     Correct_Order Correct_Ult_Parent_per_Family
0  A032   A001       A039  A001, A039, A032, A040, A041, A043, A043, A045...  A001, A039, A032                          A043
1  A001   A043       A039  A001, A032, A039, A040, A041, A043, A043, A045...  A001, A039, A043                          A043