python - 根据子串匹配列

Question

假设您有三个组(A、B、C)，它们的组成部分概述如下:

 +-------+-----------+
 | Group | Component |
 +-------+-----------+
 | A     |        31 |
 | A     |       322 |
 | A     |       323 |
 | B     |       321 |
 | B     |       327 |
 | B     |        33 |
 | C     |        31 |
 | C     |        32 |
 | C     |        33 |
 +-------+-----------+

这可以存储在称为“组”的数据框或字典中。请注意，各组之间存在重叠。

我有以下名为“df”的值数据框(实际表更大):

 +--------+----------+--------+
 | Sender | Receiver | Value  |
 +--------+----------+--------+
 | 312345 |   313452 | 1022.1 |
 | 320952 |   327901 | 4921.0 |
 +--------+----------+--------+

我想以某种方式将“组”表与“df”连接起来，这样我就有了两列，每列显示发送方和接收方关联的组，具体取决于发送方/接收方代码是否包含组件。我只想查看两组相同的情况。目标表如下所示:

 +--------+----------+--------+--------------+----------------+
 | Sender | Receiver | Value  | Sender_Group | Receiver_Group |
 +--------+----------+--------+--------------+----------------+
 | 312345 |   313452 | 1022.1 | A            | A              |
 | 312345 |   313452 | 1022.1 | C            | C              |
 | 320952 |   327901 | 4921.0 | C            | C              |
 +--------+----------+--------+--------------+----------------+

请注意，尽管 327901 与组 B 关联，但 320952 不关联，因此未显示。最终目标是将每个组的值相加。

我试过这样的:

pat = "|".join(groups.Component.astype('str'))
df.insert(0, 'Sender_Group', df['Sender'].str.extract("(" + pat + ')', expand=False))
df.insert(1, 'Receiver_Group', df['Receiver'].str.extract("(" + pat + ')', expand=False))
new_df = df.query('Sender_Group == Receiver_Group')

但是，这样做的限制是每个发送者/接收者只能与一个组相关联。我需要一个允许它们与多个相关联的解决方案。有什么想法吗？

Answer 1

您可以使用代表发送者(接收者)所属的所有组的列作为列表。然后您可以将此列扩展为多行，如前所述 for this question .

df['sender_group'] = df['sender'].apply(
    lambda x: groups['group'][groups['component'].apply(
        lambda y: str(y) in str(x)
    )].values
)

给出

   sender  receiver   value sender_group
0  312345    313452  1022.1       [A, C]
1  320952    327901  4921.0          [C]

对于接收者，过程是相似的。

扩张

扩展列的方法请引用this question .这里给出了一个例子:

indices = np.repeat(df.index.values, df['sender_group'].str.len())
df = df.loc[indices]\
    .assign(sender_group=np.concatenate(df['sender_group'].values))\
    .reset_index(drop=True)

给出

   sender  receiver   value sender_group
0  312345    313452  1022.1            A
1  312345    313452  1022.1            C
2  320952    327901  4921.0            C

---

使用的变量:

groups = pd.DataFrame(
    columns=['group', 'component'],
    data=[['A', 31],
          ['A', 322],
          ['A', 323],
          ['B', 321],
          ['B', 327],
          ['B', 33],
          ['C', 31],
          ['C', 32],
          ['C', 33],]
)

df = pd.DataFrame(
    columns=['sender', 'receiver', 'value'],
    data=[[312345, 313452, 1022.1],
          [320952, 327901, 4921.0]]
)