[英]Pandas: join on partial string match, like Excel VLOOKUP
我正在尝试在 Python 中执行一个与 Excel 中的 VLOOKUP 非常相似的操作。 StackOverflow 上有很多与此相关的问题,但它们都与这个用例略有不同。 希望任何人都可以指导我正确的方向。 我有以下两个熊猫数据框:
df1 = pd.DataFrame({'Invoice': ['20561', '20562', '20563', '20564'],
'Currency': ['EUR', 'EUR', 'EUR', 'USD']})
df2 = pd.DataFrame({'Ref': ['20561', 'INV20562', 'INV20563BG', '20564'],
'Type': ['01', '03', '04', '02'],
'Amount': ['150', '175', '160', '180'],
'Comment': ['bla', 'bla', 'bla', 'bla']})
print(df1)
Invoice Currency
0 20561 EUR
1 20562 EUR
2 20563 EUR
3 20564 USD
print(df2)
Ref Type Amount Comment
0 20561 01 150 bla
1 INV20562 03 175 bla
2 INV20563BG 04 160 bla
3 20564 02 180 bla
现在我想创建一个新的数据框(df3),根据发票编号将两者结合起来。 问题是发票号码并不总是“完全匹配”,但有时 df2['Ref'] 中的“部分匹配”。 因此,加入“发票”并没有提供所需的输出,因为它没有复制发票 20562 和 20563 的数据,见下文:
df3 = df1.join(df2.set_index('Ref'), on='Invoice')
print(df3)
Invoice Currency Type Amount Comment
0 20561 EUR 01 150 bla
1 20562 EUR NaN NaN NaN
2 20563 EUR NaN NaN NaN
3 20564 USD 02 180 bla
有没有办法加入部分比赛? 我知道如何用正则表达式“清理”df2['Ref'],但这不是我想要的解决方案。 使用 for 循环,我有很长的路要走,但这不是很 Pythonic。
df4 = df1.copy()
for i, row in df1.iterrows():
tmp = df2[df2['Ref'].str.contains(row['Invoice'])]
df4.loc[i, 'Amount'] = tmp['Amount'].values[0]
print(df4)
Invoice Currency Amount
0 20561 EUR 150
1 20562 EUR 175
2 20563 EUR 160
3 20564 USD 180
str.contains() 可以以更优雅的方式使用吗? 非常感谢您的帮助!
这是使用pd.Series.apply
的一种方式,它只是一个隐蔽的循环。 “部分字符串合并”是您正在寻找的,我不确定它是否以矢量化形式存在。
df4 = df1.copy()
def get_amount(x):
return df2.loc[df2['Ref'].str.contains(x), 'Amount'].iloc[0]
df4['Amount'] = df4['Invoice'].apply(get_amount)
print(df4)
Currency Invoice Amount
0 EUR 20561 150
1 EUR 20562 175
2 EUR 20563 160
3 USD 20564 180
这里有两个替代解决方案,都使用 Pandas 的merge
。
# Solution 1 (checking directly if 'Invoice' string is in the 'Ref' string)
df4 = df2.copy()
df4['Invoice'] = [val for idx, val in enumerate(df1['Invoice']) if val in df2['Ref'][idx]]
df_m4 = df1.merge(df4[['Amount', 'Invoice']], on='Invoice')
# Solution 2 (regex)
import re
df5 = df2.copy()
df5['Invoice'] = [re.findall(r'(\d{5})', s)[0] for s in df2['Ref']]
df_m5 = df1.merge(df5[['Amount', 'Invoice']], on='Invoice')
df_m4
和df_m5
都将打印
Currency Invoice Amount
0 EUR 20561 150
1 EUR 20562 175
2 EUR 20563 160
3 USD 20564 180
注意:提供的正则表达式解决方案假定发票号码始终为 5 位数字,并且只采用第一个此类事件。 解决方案 1 更健壮,因为它直接比较字符串。 如果需要,可以改进正则表达式解决方案以使其更加健壮。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.