在python数据框中的范围内查找正则表达式答案

【问题标题】：Finding regular expression in a range in python dataframe在python数据框中的范围内查找正则表达式
【发布时间】：2019-12-21 05:05:01
【问题描述】：

我遇到了问题

我有一个名为雇主的数据框，如下所示：

employer
------------
wings brand activation i pvt ltd
hofincons infotech &industrial services pvt .ltd
bharat fritz werner bangalore
kludi rak indpvt ltd.

另一个将雇主名称映射到看起来像的类别的数据框（称为 pincode）：

Index   Name                                    FINAL_CATEGORY
68781   central board of excise and customs     cat b
68782   c a g hotels pvt ltd                    cat b
68783   avaneetha textiles pvt ltd              cat a
68784   trendy wheels pvt ltd                   cat a+
68785   wings brand activations india pvt ltd   cat b

现在我想模拟类似的东西：

pincode[pincode['Compnay Name'].str.contains('wings brand activation i pvt ltd')]

Compnay Name    FINAL_CATEGORY
____________________________________

pincode[pincode['Compnay Name'].str.contains('wings brand activation i pvt')]

Compnay Name    FINAL_CATEGORY
____________________________________

pincode[pincode['Compnay Name'].str.contains('wings brand activation i')]


Compnay Name    FINAL_CATEGORY
____________________________________

pincode[pincode['Compnay Name'].str.contains('wings brand activation')]

        Name                                    FINAL_CATEGORY
68785   wings brand activations india pvt ltd   cat b

如您所见，对于每个字符串，我从字符串末尾开始减少长度直到最后一个空格，然后进行搜索。

以上内容需要与（我认为是正则表达式）一起循环。因此，对于雇主表中的每个条目，它都会搜索整个密码范围并找出最接近的匹配项。如果没有，则返回 nan。

提前谢谢，因为这个问题很难用语言表达，请寻求任何澄清。

【问题讨论】：

标签： python regex pandas

【解决方案1】：

您可以使用如下迭代方法：

def find_substr(employer, pincode):
    employer = employer.set_index("employer")
    for words in employer.index.map(str.split):
        length = len(words)
        found = False
        while length > 0 and not found:
            substr = ' '.join(words[:length]).replace('(', '\(')
            mask = pincode.Name.str.contains(substr)
            if mask.any():
                employer.loc[' '.join(words), 'cat'] = pincode.loc[mask, 'FINAL_CATEGORY'].values[0]
                found = True
            length -= 1
    employer = employer.reset_index()
    return employer

employer = find_substr(employer, pincode)
print(employer)

                                           employer    cat
0                  wings brand activation i pvt ltd  cat b
1  hofincons infotech &industrial services pvt .ltd    NaN
2                     bharat fritz werner bangalore    NaN
3                              kludi rak indpvt ltd    NaN

【讨论】：

ValueError Traceback（最近一次调用最后一次） in ----> 1 个雇主 = find_substr(data, pincode) in find_substr(employer, pincode) 8 mask = pincode.Name.str.contains(substr) 9 if mask.any(): ---> 10 employee.loc[' '.join(words), 'cat' ] = pincode.loc[mask, 'FINAL_CATEGORY'].values 11 found = True
ValueError：形状不匹配：形状（30，）的值数组无法广播到形状（1373，）的索引结果
您必须有多行对应匹配子字符串。如果你是肯定的只有一个类别，你可以采取....values[0]
是的，先生，可以有多个值，pincode是唯一的，而雇主可以有多个值（多个雇员有同一个雇主），基本上需要进行键值配对。
好的，但是一个雇主只映射到一个类别？如果是这样，只需像这样添加一个索引器：pincode.loc[mask, 'FINAL_CATEGORY'].values[0]

【解决方案2】：

这是一种方法。

首先将您的引脚 df 转换为将字符串映射到相应类别的字典。然后使用双重列表推导创建员工数据框的 cat 列，以记录与他的姓名匹配的所有类别：

# Example df
employer = pd.DataFrame({"employer":["wings brand activation i pvt ltd", "bharat fritz werner bangalore"]})
pins = pd.DataFrame({"Name":["trendy wheels pvt ltd", "wings brand activation i pvt ltd"], "FINAL_CATEGORY":["cat a+", "cat b"]}) 

dict_pins = dict(zip(pins['Name'], pins['FINAL_CATEGORY']))
employer['cat'] = [[dict_pins[key] for key in dict_pins.keys() if x in key] for x in employer['employer']]

输出：

                           employer      cat
0  wings brand activation i pvt ltd  [cat b]
1     bharat fritz werner bangalore       []

【讨论】：