python - 在列表中的 pandas 列中查找关键字匹配项的数量

Question

我有一个 pandas 数据框，如下所示:

Type        Keywords 
----        --------
Animal      [Pigeon, Bird, Raccoon, Dog, Cat]
Pet         [Dog, Cat, Hamster]
Pest        [Rat, Mouse, Raccoon, Pigeon]
Farm        [Chicken, Horse, Cow, Sheep]
Predator    [Wolf, Fox, Raccoon]

假设我有以下字符串:

input = "There is a dead rat and raccoon in my pool"

考虑到我将字符串标记化并删除停用词，使其变为

input = [Dead, Rat, Raccoon, Pool]

我需要遍历每一行并找到关键字匹配次数最多的行。对于给定的示例，结果如下所示:

Type        Keywords                            Matches
----        --------                            -------
Animal      [Pigeon, Bird, Raccoon, Dog, Cat]   1
Pet         [Dog, Cat, Hamster]                 0
Pest        [Rat, Mouse, Raccoon, Pigeon]       2
Farm        [Chicken, Horse, Cow, Sheep]        0
Predator    [Wolf, Fox, Raccoon]                1

输出将是匹配次数最多的前三个类型名称。

在上述情况下，由于“Pest”类别的匹配次数最多，因此它会被选为最高匹配。此外，将选择动物和捕食者类别。因此，按顺序输出将是:

output = [Pest, Animal, Predator]

使用嵌套 for 循环执行此任务很容易，但由于我有数千种此类行，因此我正在寻找更好的解决方案。 (此外，由于某种原因，我在使用非内置函数时遇到了很多错误，也许是因为矢量化？)

我查看了 pandas 中内置的 groupby 和 isin 函数，但据我所知，它们无法让我得到我想要的输出(如果我不正确，我一点也不会感到惊讶在这个假设中)。

接下来我研究了集合和散列图在 pandas 中的使用，但不幸的是，我的编码知识和当前能力还不够熟练，无法制定可靠的解决方案。 This StackOverflow link特别是让我更接近我想要的东西，尽管它没有找到前三个匹配行名称。

我将不胜感激任何帮助或建议。

Answer 1

你可以检查isin

df['Matches']=pd.DataFrame(df.Keywords.values.tolist()).isin(s).sum(1)


df.loc[df['Matches']>0,'Type'].values.tolist()