pandas 列模糊匹配,pandas模糊匹配列名

　　一.方法2

　　1.导入库

　　2.构建关键字

　　3.构造句子

　　4.建立统一的索引

　　5.表连接

　　6.关键词匹配

　　二。方法2

　　1.建一本字典

　　2.关键词匹配

　　3.结果展示

　　4.展开匹配结果。

　　1.方法二。这种方法是从两个表中构造某个相同的字段，然后将它们完全连接起来，过滤匹配结果。这种方法逻辑简单，但是在数据量不大的情况下会消耗大量内存。

　　1.导入库导入熊猫as PD导入numpy as NP导入re 2。build keyword # keyword data df _ keyword=PD . data frame({ keyid :NP . arange(5)， keyword: [numpy ， pandas ， matplotlib ， sklearn ， tensorflow]})df_keyword

　　3.构造句子df _ sentence=PD . data frame({ senid :NP . arange(10，17)，句子:[如何实现与熊猫合并？、 Python中Numpy的详细教程、如何使用熊猫批量拆分合并Excel文件？、‘如何使用熊猫的地图和应用功能？’、‘深度学习中的tensorflow简介’、‘tensor flow与numpy的关系’、‘基于sklearn的一些机器学习代码’]})df _ sentence

　　4.建立统一索引df _ keyword[ match ]=1df _ sentence[ match ]=1 5。join df _ merge=PD . merge(df _ keyword，df _ sentence) df _ merge。

　　6.关键字匹配def match _ func (row): return re。搜索(行[关键字]，行[句子]，re。忽略大小写)不是none。apply (match _ func，axis=1)]匹配结果如下

　　2.方法二。这种方法需要编程能力，在大数据集上的计算量比方法小得多。

　　1.建立字典key _ word _ dict={ row . keyword:row . keyid for row in df _ keyword . iteratuples()} key _ word _ dict { numpy :0， pandas: 1， matplotlib: 2，Sklearn: 3， tensorflow: 4} 2。关键字匹配def merge_func(row): #添加新列表示keyid row[ keyids ]=[keyid for key _ word，Id in key _ word _ dict . items()if re . search(key _ word，row [sentence]，re.ignore case)]返回行df _ merge=df _ sentence . apply(merge _ func，axis=1) 3 .结果显示df _ merge

　　4.展开df _ result=PD . merge(left=df _ merge . explode( keyids )，right=df _ keyword，left _ on= keyids ，right _ on= keyid) df _ result

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。

相关文章阅读