Pandas - 提取两列之间的公共子字符串答案

【问题标题】：Pandas - Extract common substring between 2 columnsPandas - 提取两列之间的公共子字符串
【发布时间】：2022-08-15 22:37:29
【问题描述】：

我有 2 个数据框，我们称它们为 A 和 B。我想要做的是在 DF A 中创建第二列，其中包含 2 个 DF 之间的公共子字符串。

后卫：一个

String
012IREze
SecondString
LastEntry

后卫：乙

String
IREPP
StringNumber2
LastEntry123

期望的输出

String	Common String
012IREze	IRE
SecondString	String
LastEntry111	LastEntry

我在网上找到了下面的代码，但是在处理列时我无法让它工作

match = SequenceMatcher(None, string1, string2).find_longest_match(0, len(string1), 0, len(string2))

print(match)  # -> Match(a=0, b=15, size=9)
print(string1[match.a: match.a + match.size])  # -> apple pie
print(string2[match.b: match.b + match.size])  # -> apple pie

标签： python

【解决方案1】：

IIUC，一种方法是将 zip 应用于两个数据框列并应用客户函数

代码

import pandas as pd
from io import StringIO
from difflib import SequenceMatcher

def lcs(x, y):
    '''
        Custom function to find LCS between strings x, y
    '''
    match = SequenceMatcher(None, x, y).find_longest_match(0, len(x), 0, len(y))
    if match.size > 0:
        return x[match.a:match.a + match.size]
    else:
        return ""
    
# Zip desired columns of two data frames and apply to a custom function
# in a list comprehension
dfa['LCS'] = [lcs(x, y) for x, y in zip(dfa['String'], dfb['String'])]

示例用法

sa = '''String
012IREze
SecondString
LastEntry
random'''

sb = '''String
IREPP
StringNumber2
LastEntry123
blue'''

dfa = pd.read_csv(StringIO(sa), sep = '\n')
dfb = pd.read_csv(StringIO(sb), sep = '\n')

# Zip desired columns of two dataframes and apply to custom function
dfa['LCS'] = [lcs(x, y) for x, y in zip(dfa['String'], dfb['String'])]

print(dfa)

输出

    String        LCS
0   012IREze      IRE
1   SecondString  String
2   LastEntry     LastEntry
3   random

【讨论】：