如何检查熊猫数据帧列中的子字符串是否存在于同一数据帧中另一列的子字符串中？

Question

我有一个包含如下列的数据框：

  A                               B
0  - 5923FoxRd                    5923 Fox Rd
1 631 Newhaven Ave                Modesto
2 Saratoga Street, Suite 200      Saratoga Street, Suite 200

我想创建一个列表，其中包含与 B 中的值匹配的 A 值。该列表应类似于 [- 5923FoxRd, Saratoga Street, Suite 200...]。 什么是最简单的方法来做到这一点？

Answer 1

要使一点点走很长的路，请执行以下操作：

1. 为每一列创建一个新系列并将正则表达式模式\\W+传递给str.replace()
2. 使用str.lower()
3. 创建替换列表以将drive规范化为dr ， avenue为ave等。

---

s1 = df['A'].str.replace('\W+', '').str.lower()
s2 = df['B'].str.replace('\W+', '').str.lower()
lst = [*df[s1==s2]['A']]
lst
Out[1]: ['- 5923FoxRd', 'Saratoga Street, Suite 200']

这是s1和s2样子：

print(s1,s2)

0                 5923foxrd
1            631newhavenave
2    saratogastreetsuite200
Name: A, dtype: object

0                 5923foxrd
1                   modesto
2    saratogastreetsuite200
Name: B, dtype: object

---

从那里，您可能想要创建一些替换值以进一步规范化您的数据，例如：

to_replace = ['drive', 'avenue', 'street']
replaced = ['dr', 'ave', 'str']

to_replace = ['drive', 'avenue', 'street']
replaced = ['dr', 'ave', 'str']
s1 = df['A'].str.replace('\W+', '').str.lower().replace(to_replace, replaced, regex=True)
s2 = df['B'].str.replace('\W+', '').str.lower().replace(to_replace, replaced, regex=True)
lst = [*df[s1==s2]['A']]
lst
print(s1,s2)
0              5923foxrd
1         631newhavenave
2    saratogastrsuite200
Name: A, dtype: object

0              5923foxrd
1                modesto
2    saratogastrsuite200
Name: B, dtype: object