我可以修改一个数据表以匹配另一个几乎相似的数据框 ID 吗？答案

【问题标题】：Can I amend one data sheet to match another data frame's ID that are almost similar?我可以修改一个数据表以匹配另一个几乎相似的数据框 ID 吗？
【发布时间】：2021-08-10 07:32:39
【问题描述】：

我有多个数据框要比较。我的问题是产品 ID。一个是这样设置的：

000-000-000-000
对比
000-000-000

（总）

我看过这里、reddit、YouTube，甚至深入研究了兔子洞，尝试了 .join、.append 以及其他一些我以前从未见过，甚至还没有理解的方法。有没有办法（或者甚至更好的一些我可以阅读的文档来学习这一点）从主 excel 表中提取产品 ID，将其与应该匹配的 ID 进行比较。然后我会更喜欢在所有工作表上制作就地 ID。这样我就可以使用这些 ID 作为索引并将 ID 与行数据进行并排比较？每个 ID 有大约 113 个值进行比较。那是 113 列，但如果有意义的话，对于每一行

示例：（彩色列是与非彩色列进行比较的主工作表）

补充说明：突出显示的黄色 ID 是“唯一的”，我不会更改它们，而是将它们写入列表或其他东西，并在找到时使用 if 语句忽略它们。

编辑：所以我写了这段代码，这几乎是我需要做的。它去掉了我应用于所有 ID 的“-”。只需要制作一个唯一的 ID 列表，以便在去掉零时跳过

dfSS["Product ID"] = dfSS["Product ID"].str.replace("-", "")

那么这只会列出最多 9 位的数字，唯一 ID 除外

dfSS["Product ID"] = dfSS["Product ID"]str[:9]

一旦我让它 100% 工作，将在下面添加完整的代码

我现在正试图弄清楚如何说类似的话

lst =[1,2,3,4,5]
if dfSS["Product ID"] not in lst:
   dfSS["Product ID"] = dfSS["Product ID"].str.replace("-", "").str[:9]

此代码不起作用，但每天我越来越接近能够比较这些相似但不同的数据帧。 lst 只是我根本不想过滤的列表中的 000-000-000 产品 ID 的示例。但保留在数据框中

【问题讨论】：

标签： python excel pandas dataframe matching

【解决方案1】：

如果 ID 转换是可预测的，那么一种选择是使用正则表达式来均匀化 ID。例如，如果情况只是删除前三个数字，则可以使用以下内容：

df['short_id'] = df['long_id'].str.extract(r'\d\d\d-([\d-]*)')

如果 ID 转换不是那么可预测（例如由于转录错误或数据中的一些其他噪声），那么最好的选择是首先使用 recordlinkage 之类的东西来消除 ID 转换的歧义，请参见示例 here。

【讨论】：

谢谢你。我今天将通读文档并在今晚练习。我忘记了正则表达式。从来没有真正使用过它，但我看到它很受欢迎。所以现在是我学习的机会了，哈哈
不是使用的确切 RE，但这让我走上了正轨。终于深入RE世界，没有“RAGRATs”哈哈。再次感谢您的意见

【解决方案2】：

Ok 解决了每个带有或不带有破折号、#、ltters 等的产品 ID 的问题。

(\d\d\d-)?[_#\d-]?[a-zA-Z]?

(\d\d\d-)? -这是用于前三个整数集和后三个整数集，包含零个或多个匹配项和一个破折号（非贪婪）

[_#\d-]? - 这适用于任何特殊字符和附加数字（非贪婪）

[a-zA-Z]？ - 这个，不知道为什么，但我不得不与最后一部分分开，因为它不会接收每一个字母。（非贪婪）

通过以上，我解决了 RE 所需的一切。

我学习如何提高我的 RE 技能的地方：

RE Documentation

Automate the Boring Stuff- Ch 7

You can test you RE's here

显示这一点的其他方式。把它放在这里是为了表明没有一种方法可以做到这一点。 RE 超级棒：

(\d{3}-)?[_#\d{3}-]?[a-zA-Z]?

【讨论】：