- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
您好,提前致谢,Python 和 pandas 的新手。
我有一个 df 列 df['name']
,这个大数据由具有不同长度、字母、数字、标点符号和间距的产品名称组成。这使得每个名称都有一个唯一的值,这使得很难找到某些产品的变体。
然后,我按间距分割列值。
df['name'].str.split("",expand = True)
我在这个问题中找到了一些代码,但我不知道如何应用它来迭代和比较列表,因为它使用变量和 2 个列表,而我只有一个列表。 How can I compare two lists in python and return matches ?
不是最有效的方法,但迄今为止最明显的方法是:
a = [1, 2, 3, 4, 5]
b = [9,8,7,6,5]
集合(a) & 集合(b)
{5}
如果顺序很重要,您可以使用列表推导式来完成,如下所示:
[i 代表 zip(a, b) 中的 i, j,如果 i == j]
[5]
数据集
1.star T恤-大号-红色
2.星星T恤-大号-蓝色
3.星星T恤-小-红色
4.美丽彩虹裙小号
5.长款maxwell logan牛仔裤-浅蓝色-32L-28W
6.长款maxwell logan jeans-深蓝色-32L-28W
- 相互比较列表中的所有项目并找到最长的字符串匹配。示例: products:1,2,3 具有匹配的部分字符串 结果
列1 列2 列3 列4
1【星星T恤】【大】【红】无
2【星星T恤】【大】【蓝色】无
3【星星T恤】【小】【红】无
4【美丽彩虹裙小】NONE NONE NONE
5[长麦克斯韦洛根牛仔裤][浅蓝色][32L][28W]
6[长maxwell logan牛仔裤][深蓝色][32L][28W]
任何人都可以为我指明如何实现最终结果的正确方向。我研究了 fuzzywuzzy 和 diffilab 等模块,但不知道如何将其应用到正则表达式,但我不确定如何在具有如此多种不同格式的列表中实现字符串匹配?请在回复时您能逐步解释一下,以便我能够理解您在做什么以及为什么。仅供学习之用再次预先感谢您。
最佳答案
嗯,你的问题确实很大。我认为你必须重新考虑这样做的目的。
第一步,每一行都是相互对应的。
df['onkey'] = 1
df1 = pd.merge(df[['name','onkey']],df[['name','onkey']], on='onkey')
df1['list'] = df1.apply(lambda x:[x.name_x,x.name_y],axis=1)
第二步是找到最长的字符串匹配。
from os.path import commonprefix
df1['COL1'] = df1['list'].apply(lambda x:commonprefix(x))
删除未找到字符串匹配的行。
df1['COL1_num'] = df1['COL1'].apply(lambda x:len(x))
df1 = df1[(df1['COL1_num']!=0)]
找到最短的匹配。
df1 = df1.loc[df1.groupby('name_x')['COL1_num'].idxmin()]
合并 df 和 df1。
df = df.rename(columns ={'name':'name_x'})
df = pd.merge(df,df1[['name_x','COL1']],on='name_x',how ='left')
我们可以这样查看数据:
name_x onkey COL1
0 star t-shirt-large-red 1 star t-shirt-
1 star t-shirt-large-blue 1 star t-shirt-
2 star t-shirt-small-red 1 star t-shirt-
3 beautiful rainbow skirt small 1 beautiful rainbow skirt small
4 long maxwell logan jeans- light blue -32L-28W 1 long maxwell logan jeans-
5 long maxwell logan jeans- Dark blue -32L-28W 1 long maxwell logan jeans-
如您所见,我们找到了最长的字符串匹配。
处理公共(public)字符串,然后分离剩余的字符串。
df['len'] = df['COL1'].apply(lambda x: len(x))
df['other'] = df.apply(lambda x: x.name_x[x.len:],axis=1)
df['COL1'] = df['COL1'].apply(lambda x: x.strip())
df['COL1'] = df['COL1'].apply(lambda x: x[:-1] if x[-1]=='-' else x)
df['other'] = df['other'].apply(lambda x:x.split('-'))
最后,我们将它们连接起来。
df = df[['COL1','other']]
df = pd.concat([df['COL1'],df['other'].apply(pd.Series)],axis=1)
结果:
COL1 0 1 2
0 star t-shirt large red NaN
1 star t-shirt large blue NaN
2 star t-shirt small red NaN
3 beautiful rainbow skirt small NaN NaN
4 long maxwell logan jeans light blue 32L 28W
5 long maxwell logan jeans Dark blue 32L 28W
关于python - 比较 df 列中的值,将匹配项提取到 1 列,将差异提取到另一列,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52160119/
我正在做一个业余爱好项目,使用 Ruby、PHP 或 Java 来抓取 ASP.net 网站的内容。例如,如果网站 url“www.myaspnet.com/home.aspx”。我想从 home.a
如果我有这些字符串: mystrings <- c("X2/D2/F4", "X10/D9/F4", "X3/D22/F4",
我有以下数据集 > head(names$SAMPLE_ID) [1] "Bacteria|Proteobacteria|Gammaproteobacteria|Pseudomonadales|Mor
设置: 3个域类A,B和C。A和B在插件中。 C在依赖于此插件的应用程序中。 class A{ B b static mapping = { b fetch: 'joi
我不知道如何提取 XML 文件中的开始标记元素名称。我很接近〜意味着没有错误,我正在获取标签名称,但我正在获取标签名称加上信息。我得到的是: {http://www.publishing.org}au
我有一个字符串 x <- "Name of the Student? Michael Sneider" 我想从中提取“Michael Sneider”。 我用过: str_extract_all(x,
我有一个如下所示的文本文件: [* content I want *] [ more content ] 我想读取该文件并能够提取我想要的内容。我能做的最好的事情如下,但它会返回 [更多内容] 请注意
假设我有一个项目集合 $collection = array( 'item1' => array( 'post' => $post, 'ca
我正在寻找一种过滤文本文件的方法。我有许多文件夹名称,其中包含许多文本文件,文本文件有几个没有人员,每个人员有 10 个群集/组(我在这里只显示了 3 个)。但是每个组/簇可能包含几个原语(我在这里展
我已经编写了一个从某个网页中提取网址的代码,我面临的问题是它不会以网页上相同的方式提取网址,我的意思是如果该网址位于某些网页中法语,它不会按原样提取它。我该如何解决这个问题? import reque
如何在 C# 中提取 ZipFile?(ZipFile 是包含文件和目录) 最佳答案 为此使用工具。类似于 SharpZip .据我所知 - .NET 不支持开箱即用的 ZIP 文件。 来自 here
我有一个表达: [training_width]:lofmimics 我要提取[]之间的内容,在上面的例子中我要 training_width 我试过以下方法: QRegularExpression
我正在尝试创建一个 Bash 脚本,该脚本将从命令行给出的最后一个参数提取到一个变量中以供其他地方使用。这是我正在处理的脚本: #!/bin/bash # compact - archive and
我正在寻找一个 JavaScript 函数/正则表达式来从 URI 中提取 *.com...(在客户端完成) 它应该适用于以下情况: siphone.com = siphone.com qwr.sip
关闭。这个问题需要更多focused .它目前不接受答案。 想改进这个问题吗? 更新问题,使其只关注一个问题 editing this post . 关闭 8 年前。 Improve this qu
编辑:添加了实际的 JSON 对象和代码以供审查 我有这种格式的 JSON(只是这种层次结构,假设 JSON 正常工作) {u'kind': u'calendar#events', u'default
我已经编写了代码来使用 BeautifulSoup 提取一本书的 url 和标题来自页面。 但它并没有在 > 之间提取惊人的 super 科学故事 1930 年 4 月这本书的名字。和 标签。 如何提
使用 Java,我想提取美元符号 $ 之间的单词。 例如: String = " this is first attribute $color$. this is the second attribu
您好,我正在尝试找到一种方法来确定字符串中的常量,然后提取该常量左侧的一定数量的字符。 例如-我有一个 .txt 文件,在那个文件的某处有数字 00nnn 数字的例子是 00234 00765 ...
php读取zip文件(删除文件,提取文件,增加文件)实例 从zip压缩文件中提取文件 复制代码 代码如下: <?php /* php 从zip压缩文件
我是一名优秀的程序员,十分优秀!