使用字典值过滤数据框，同时将字典键分配给匹配的行？

Question

我有一个带有“链接”列的数据框，其中包含数千篇在线文章的 URL。每个观察都有一个 URL。

urls_list = ['http://www.ajc.com/news/world/atlan...',
             'http://www.seattletimes.com/sports/...',
             'https://www.cjr.org/q_and_a/washing...',
             'https://www.washingtonpost.com/grap...',
             'https://www.nytimes.com/2017/09/01/...',
             'http://www.oregonlive.com/silicon-f...']

df = pd.DataFrame(urls_list,columns=['Links'])

我还有一个字典，其中包含 出版物名称 作为键和 域名 作为值。

urls_dict = dict({'Atlanta Journal-Constitution':'ajc.com',
                  'The Washington Post':'washingtonpost.com',
                  'The New York Times':'nytimes.com'})

我想过滤数据框以仅获取那些“链接”列包含字典值中的域的观察结果，同时同时在字典键中分配出版物名称到新列“出版物”。我的设想是使用下面的代码创建“发布”列，然后从该列中删除None 以在事后过滤数据框。

pub_list = []

for row in df['Links']:
    for k,v in urls_dict.items():
        if row.find(v) > -1:
            publication = k
        else:
            publication = None
        pub_list.append(publication)

但是，我得到的回报列表pub_list - 虽然似乎按照我的意愿行事 - 是我的数据帧的三倍。有人可以建议如何修复上述代码吗？或者，或者，建议一个更清洁的解决方案，可以（1）使用字典值（域名）过滤我的数据框的“链接”列，同时（2）创建字典键的新“发布”列（出版物名称） ? （请注意，为简洁起见，此处创建的 df 只有一列；实际文件将有很多列，因此我必须能够指定要过滤的列。）

编辑：我想澄清一下 RagingRoosevelt 的 答案。我想避免使用合并，因为某些域可能不完全匹配。例如，对于ajc.com，我还希望能够捕获myajc.com，对于washingtonpost.com，我还希望获得像live.washingtonpost.com 这样的子域。因此，我希望使用str.contains()、find() 或in 运算符找到一种“在字符串中查找子字符串”的解决方案。

Answer 1

我能够使用嵌套字典理解（或者使用嵌套列表理解）以及一些额外的数据框操作来清理列并删除空白行来解决这个问题。

使用嵌套字典推导（或者，更具体地说，嵌套在列表推导中的字典推导）：

df['Publication'] = [{k: k for k,v in urls_dict.items() if v in row} for row in df['Links']]

# Format the 'Publication' column to get rid of duplicate 'key' values
df['Publication'] = df['Publication'].astype(str).str.strip('{}').str.split(':',expand=True)[0]

# Remove blank rows from 'Publication' column
df = df[df['Publication'] != '']

同样，使用嵌套列表推导：

# First converting dict to a list of lists 
urls_list_of_lists = list(map(list,urls_dict.items()))

# Nested list comprehension using 'in' operator 
df['Publication'] = [[item[0] for item in urls_list_of_lists if item[1] in row] for row in df['Links']]

# Format the 'Publication' column to get rid of duplicate brackets
df['Publication'] = df['Publication'].astype(str).str.strip('[]')

# Remove blank rows from 'Publication' column
df = df[df['Publication'] != '']

Answer 2

这是我要做的：

1. 使用DataFrame.apply 将新列添加到仅包含域的数据框中。

2. 使用DataFrame.merge（带有how='inner' 选项）合并域字段中的两个数据框。

如果它们只是在列或行上迭代，那么使用循环对数据帧做一些事情有点脏，而且通常有一个 DataFrame 方法可以更干净地做同样的事情。

如果你愿意，我可以用例子来扩展它。

编辑这就是它的样子。请注意，我使用了相当糟糕的正则表达式进行域捕获。

def domain_extract(row):
    s = row['Links']
    p = r'(?:(?:\w+)?(?::\/\/)(?:www\.)?)?([A-z0-9.]+)\/.*'
    m = re.match(p, s)
    if m is not None:
        return m.group(1)
    else:
        return None

df['Domain'] = df.apply(domain_extract, axis=1)

dfo = pd.DataFrame({'Name': ['Atlanta Journal-Constitution', 'The Washington Post', 'The New York Times'], 'Domain': ['ajc.com', 'washingtonpost.com', 'nytimes.com']})

df.merge(dfo, on='Domain', how='inner')[['Links', 'Domain', 'Name']]