字符串包含在python中的两个df之间

Question

我有两个带有两个字符串列的df，如下所示：

Df1：原始 df 有 2000 行 Names

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

第二个 Df：原始 df 有 1000+ Item_Name

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

我需要列在 Item_Name

中的 Name 列中的字符串

第一种方法：使用str.contains：

如果它们是一列和几个要匹配的字符串，我知道如何匹配字符串，如下所示：

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

但是当有两列字符串(name & Item_name)要匹配时怎么办？

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，而且我想要的输出比从fuzzywuzzy 得到的要少得多。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：

1. 如果 str.contains 是两个列名不同的 df，如何处理
2. 如何转换 df 以获得上述预期输出

Answer 1

您可以将pd.Series.apply 与自定义函数一起使用：

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

有一些方法可以提高效率：

• 仅处理 df1['Name'] 中的唯一项目：apply 是逐行循环。
• 使用列表推导代替pd.Series.apply。两者都是 Python 级别的循环，但列表推导通常优于 Pandas str 方法。

但以上并没有提高算法的复杂性。要获得数量级更好的改进，您应该考虑使用基于 trie 的算法，例如使用 Aho–Corasick algorithm 的 this answer。

Answer 2

您可以在此处使用df.apply

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

相信这会给你想要的结果

Answer 3

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]