代码之家 › 专栏 › 技术社区 › Rahul Agarwal

字符串包含在python中的两个df之间

string-matching performance pandas string python

Rahul Agarwal · 技术社区 · 7 年前

我有两个df和两个字符串列,如下所示:

df1:原始df有2000行名称

Id    Name
1     Paper
2     Paper
3     Scissors
4     Mat
5     Cat
6     Cat

第二个df:原始df有1000+项\名称

Item_ID   Item_Name
1         Paper Bag
2         wallpaper
3         paper
4         cat cage

我需要列中的字符串 Name 列中的那个 项目名称

第一种方法:使用 str.contains :

我知道如何匹配字符串,如果它们是一列,并且有几个字符串要匹配,如下所示:

df[df['Name'].str.contains("paper|cat", na=False)]

但如果有两列字符串(名称和项名称)要匹配,则如何操作 ?

第二种方法: Fuzzywuzzy

matched = []
for row in df1.index:
    name = df1.get_value(row,"Name")
    for columns in df2.index:
        item_name=df2.get_value(columns,"Item_Name")
        matched_token=fuzz.token_sort_ratio(name,item_name)
        if matched_token> 80:
            matched.append([name,item_name,matched_token])

问题是,它会很慢,我想要的输出是从模糊中得到的。输出如下:

Id Name     Item_ID
1  Paper     1,2,3
2  Paper     1,2,3
3  Scissors  NA 
4  Mat       NA 
5  Cat       4
6  Cat       4

总结 :

如果str.contains是两个具有不同列名的df,则如何执行str.contains
如何转换df以获得上述预期输出

3 回复 | 直到 7 年前

jpp 7 年前

你可以用 pd.Series.apply 使用自定义功能:

def matcher(x):
    res = df2.loc[df2['Item_Name'].str.contains(x, regex=False, case=False), 'Item_ID']
    return ','.join(res.astype(str))

df1['Item_ID'] = df1['Name'].apply(matcher)

print(df1)

   Id      Name Item_ID
0   1     Paper   1,2,3
1   2     Paper   1,2,3
2   3  Scissors        
3   4       Mat        
4   5       Cat       4
5   6       Cat       4

您可以通过以下方式提高效率:

仅处理中的唯一项 df1['Name'] : apply 是一个逐行循环。
使用列表理解而不是 P.S.系列申请 . 两者都是python级别的循环,但是列表理解通常优于panda str 方法。

但上述方法并不能提高算法的复杂性。为了更好地提高数量级,您应该考虑基于trie的算法,例如 this answer 利用 AhoâCorasick algorithm .

Shrey 7 年前

你可以使用 df.apply 在这里

def get_vals(df):
    return ','.join(map(str, df2.loc[df2['Item_Name'].str.contains(df['Name'], case=False),]['Item_ID'].tolist()))

df1['Item_ID'] = df1.apply(get_vals, axis=1)

输出:

Id     Name  Item_ID
1     Paper   1,2,3
2     Paper   1,2,3
3  Scissors        
4       Mat        
5       Cat       4
6       Cat       4

相信这会给你期望的结果

min2bro 7 年前

df=pd.DataFrame({'ID':[1,2,3,4,5,6],'Name':['paper','paper','scissors','mat','cat','cat']})
df1=pd.DataFrame({'ID':[1,2,3,4],'Name':['paper bag','wallpaper','paper','cat cage']})


import numpy as np
def lookup_prod(ip):
    lst=[]
    for idx,row in df1.iterrows():
        if ip in row['Name']:
            lst.append(row['ID'])    
    if not lst:
        return np.NaN
    return lst

df['Item_ID'] = df['Name'].apply(lookup_prod)

输出:

 ID  Name         Item_ID
0   1   paper     [1, 2, 3]
1   2   paper     [1, 2, 3]
2   3   scissors    NaN
3   4   mat         NaN
4   5   cat         [4]
5   6   cat         [4]

推荐文章