用另一个数据帧中的干净 str 替换混乱的 str

Posted

技术标签:

【中文标题】用另一个数据帧中的干净 str 替换混乱的 str【英文标题】:Replace messy str with clean str from another dataframe 【发布时间】:2019-10-09 14:48:54 【问题描述】:

我有 2 组数据框,如果 df1['Fruits'] 包含 df2['Fruits'] 字符串,我想清理它

df1
Name    Fruits
--------------
Dina    Pineapple, [Y*]
Maria   PTC*, Apple
Johny   Durian, 1-6
Johny   5,6 Rambutan
Maria   Apple (Red), [Y] *
Dina    [Y] *, Peach88
Dina    Kiwi/Qiwi, PS*

df2
Fruits      tag
-------------
Apple       20
Pineapple   30
Rambutan    40
Durian      50
Apple (Red) 25
Peach88     55
Kiwi/Qiwi   25

我试过了

df1.loc[df1['Fruits'].contains(df2['Fruits']),'Fruits'] = df2['Fruits']

但它显示

“系列”对象没有“包含”属性

所以我期望得到的是

df1
Name    Fruits
--------------
Dina    Pineapple
Maria   Apple
Johny   Durian
Johny   Rambutan
Maria   Apple (Red)
Dina    Peach88
Dina    Kiwi/Qiwi

【问题讨论】:

【参考方案1】:

使用pandas.Series.str.extract:

reg = '(%s)' % '|'.join(df2['Fruits'])
# Make regex expression using df2['Fruits']
df1['Fruits'] = df1['Fruits'].str.extract(reg)

输出:

    Name     Fruits
0   Dina  Pineapple
1  Maria      Apple
2  Johny     Durian
3  Johny   Rambutan

'(%s)' % '|'.join(df2['Fruits'])的解释:

'|'.join(df2['Fruits']):为正则表达式中的or 操作创建| 分隔词。返回Pineapple|Apple|Durian|Rambutan (%s) % ... :这称为字符串格式化,相当于: str.format'()'.format('|'.join(df2['Fruits'])), 或更多隐含(但更少pythonic)'(' + '|'.join(df2['Fruits']) + ')' 所有这些都返回(Apple|Pineapple|Rambutan|Durian),一个捕获组pd.Series.str.extract 必须知道要提取什么。

【讨论】:

效果很好!谢谢!,我将不得不研究正则表达式 谷歌搜索后我找不到'(%s)' % 的工作原理,我知道( ) 是将多个标记组合在一起,'|' 是分隔符,但我找不到%s 和%,升技能解释一下吗? :) @espifi059espifi059 我已经更新了答案。如果有什么不清楚的地方请告诉我:) 非常感谢!但是我遇到的另一个问题是,如果水果字符串包含括号(我已经更新了我的问题),并且当我运行 str.extract 时,它无法匹配字符串,所以我做了一个解决方法,将(Red) 替换为iii 并在提取过程后替换回来。问题是我需要转义括号吗? @espifi059espifi059 是的。当涉及到正则表达式时,括号被解释为捕获组的指示符。将(Red) 变成\(Red\) 应该可以工作:)

以上是关于用另一个数据帧中的干净 str 替换混乱的 str的主要内容,如果未能解决你的问题,请参考以下文章

为啥我们在尝试用另一个字符串替换它时使用带有“\”的@ [重复]

(运行的干净代码)根据来自另一个数据帧的日期间隔和字符串条件获取一个数据帧中的值的平均值

将一个数据帧中的匹配值替换为另一个数据帧中的索引值

从 R 中的整个数据帧中删除空格

如何使用str.contains函数使用行索引替换单元格值

grep和sed替换文件中的字符串