用另一个数据帧中的干净 str 替换混乱的 str

Posted 2023-03-12

【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

【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:)