python - 匹配数据帧之间的部分表达式

Question

我正在尝试在数据框中的列之间执行部分字符串匹配，例如:

df_A:

Items_A
purse
string
hat
glue
gum
cherry
cherry
cherry pie

和

df_B:

1       2    3
string  gum  cherry
glue

期望的输出:

df_matched:

matched Items_A
0       purse
1       string
0       hat
1       glue
2       gum
3       cherry
3       cherry
3       cherry pie

请注意，匹配列中的数字是匹配列的标签，可以是 1、2 或 3。如果没有匹配，则标签为 0。

我能够使用正则表达式匹配多个嵌套循环，但想知道是否有一种方法可以使用 panda 的库来更有效地执行操作。

Answer 1

• reshape df_B 以获得:

     level_0  level_1       0
  0        0        1  string
  1        0        2     gum
  2        0        3  cherry
  3        1        1    glue
  

• 重命名 df_B 列

• 获取 df_B 中唯一单词的列表
• 在 df_B 中创建一个新列，以从 df_B 中查找匹配的单词df_A
• 合并和过滤

import regex

df_B = df_B.stack().reset_index()

df_B = df_B.rename(columns={"level_1": "matched", 0: "Items_A"})

items = df_B.Items_A.unique()

def partial_match(x, items):
    for item in items:
        if regex.search(r'.?'+item+'.?', x):
            return item
    return 0

df_A["matching_item"] = df_A["Items_A"].apply(lambda x: partial_match(x, items))


df_A = df_A.merge(df_B, how="left", left_on="matching_item", right_on="Items_A", suffixes=('', '_y'))

df_A = df_A.loc[:,["Items_A", "matched"]]