如何有效地在熊猫数据框中的两列之间匹配正则表达式模式？

Question

我的问题是关于有效使用正则表达式模式来查找从Excel文件提取的两个熊猫df之间的匹配项

首先，感谢您抽出宝贵时间来研究我的问题。 我对python非常陌生，在使用它处理大型数据集时更是如此。 我知道我应该将堆栈作为最后的手段。

现在，我将脑袋撞到墙上可能很简单的事情。

问题：我有两个Excel文件：

一只有1列* 300行=原始网址

另一个可能很大，从20k开始，还有更多翻译后的网址

目的：我有原始的url，我必须找到它们在大excel文件中的译文。

这两个网址之间唯一的共同点是网址中某处的8位数字

我曾考虑过合并，但由于它是部分匹配项（据我所知），因此无法正常工作。我发现了一个潜在的有趣解决方案： .where可以让我完全按照自己的意愿做。 但是我得到这个错误：

master_list [“ translated”] = crawlfr.url.where（number_search.search（master_list）.group（0）== number_search.search（crawl_fr）.group（0），master_list.url）TypeError：预期的字符串或缓冲区

据我所知，这个问题可能来自正则表达式，它看起来除了字符串外别无其他。

实际上，当我通过像这样提取函数中的match对象来比较两个字符串时，它就起作用了。

def skl_finder(master_list,crawl_fr):
    skl_search=re.compile("\d{8}")
    if skl_search.search(master_list).group(0) == 
    skl_search.search(crawl_fr).group(0):
        return skl_search.search(master_list).group(0)

我认为这个问题非常接近我想做的事情，但没有任何答复： 熊猫：比较两个具有相同数据结构但使用模式匹配的数据差异的数据框

import regex as re
import pandas as pd
crawl_loc="translated_file_set.xlsx"

master_list_loc="original_fileset.xlsx"

crawlfr=pd.read_excel(crawl_loc,parse_cols="E")

master_list=pd.read_excel(master_list_loc)

number_search=re.compile("\d{8}")

master_list["translated"] = 
crawlfr.url.where(number_search.search(master_list).group(0) == 
number_search.search(crawl_fr).group(0), master_list.url)


master_list.to_excel("result_file.xlsx")

Answer 1

确保您的url cols是dtype str 。

尝试使用每个数字的8位ID创建新的cols：

crawlfr['url_id'] = crawlfr.url.str.extract("\d{8}")
master_list['url_id'] = master_list.url.str.extract("\d{8}")

然后join url_id ：

crawlfr.join(master_list, on='url_id')