如果一个列字符串包含在另一个与 Python 中，则一对多合并两个数据帧

Posted 2023-02-23

【中文标题】如果一个列字符串包含在另一个与 Python 中，则一对多合并两个数据帧

【英文标题】：One to multiple merge two dataframes if one column string contained in another with Python

【发布时间】：2021-11-15 12:17:08

【问题描述】：

如果df1 的words 的列值包含df2 的keywords 的列值，我有两个数据框我想合并。我一直在尝试使用str.extract。但到目前为止还没有获得预期结果的运气。下面的例子：

df1:

['id': 1, 'words': 'chellomedia', 'languages': nan,
 'id': 2, 'words': 'Moien Welt!', 'languages': 'Luxemburgish',
 'id': 3, 'words': 'Ahoj světe!', 'languages': 'Czech',
 'id': 4, 'words': 'hello world', 'languages': nan,
 'id': 5, 'words': '¡Hola Mundo!', 'languages': 'Spanish',
 'id': 6, 'words': 'hello kitty', 'languages': 'English',
 'id': 7, 'words': 'Ciao mondo!', 'languages': 'Italian',
 'id': 8, 'words': 'hola world', 'languages': nan]

df2:

['code': 1, 'keywords': 'Hello',
 'code': 2, 'keywords': 'hola',
 'code': 3, 'keywords': 'world']

我的试用码：

df1['words'] = df1['words'].str.lower()
df2['keywords'] = df2['keywords'].str.lower()

pat = '|'.join([re.escape(x) for x in df2.keywords])
df1.insert(0, 'keywords', df1['words'].str.extract('(' + pat + ')', expand=False))

pd.merge(df1, df2, on='keywords', how='left')

输出：

  keywords  id         words     languages  code
0    hello   1   chellomedia           NaN   1.0
1      NaN   2   moien welt!  Luxemburgish   NaN
2      NaN   3   ahoj světe!         Czech   NaN
3    hello   4   hello world           NaN   1.0
4     hola   5  ¡hola mundo!       Spanish   2.0
5    hello   6   hello kitty       English   1.0
6      NaN   7   ciao mondo!       Italian   NaN
7     hola   8    hola world           NaN   2.0

但是想要的应该是这样的：

  keywords  id         words     languages  code
0    hello   1   chellomedia           NaN   1.0
1      NaN   2   moien welt!  Luxemburgish   NaN
2      NaN   3   ahoj světe!         Czech   NaN
3    hello   4   hello world           NaN   1.0
4    world   4   hello world           NaN   3.0  ---> should be generated in df
5     hola   5  ¡hola mundo!       Spanish   2.0
6    hello   6   hello kitty       English   1.0
7      NaN   7   ciao mondo!       Italian   NaN
8     hola   8    hola world           NaN   2.0
9    world   8    hola world           NaN   3.0  ---> should be generated in df

我怎样才能产生预期的结果？谢谢。

【参考方案1】：

您必须使用findall 和explode 而不是extract，例如：

df1.insert(0, 'keywords', df1['words'].str.findall('(' + pat + ')'))
print(pd.merge(df1.explode('keywords'), df2, on='keywords', how='left')
        .sort_values('id').reset_index(drop=True))

输出：

  keywords  id         words     languages  code
0    hello   1   chellomedia           NaN   1.0
1      NaN   2   moien welt!  Luxemburgish   NaN
2      NaN   3   ahoj světe!         Czech   NaN
3    hello   4   hello world           NaN   1.0
4    world   4   hello world           NaN   3.0
5     hola   5  ¡hola mundo!       Spanish   2.0
6    hello   6   hello kitty       English   1.0
7      NaN   7   ciao mondo!       Italian   NaN
8    world   8    hola world           NaN   3.0
9     hola   8    hola world           NaN   2.0

和你需要的完全一样:)