Pandas Dataframe 未将字符串识别为相同的分组

Question

我有一个包含数百个帐号及其描述的数据集。 它已从 Excel 导入到 Python dataframe。 Excel 中的描述具有不同数量的前导和尾随空格。 帐号为 integer，描述为 object，最终余额为浮点数。

我尝试去除前导和尾随空格，用单个替换多个空格，但是当我使用 groupby 时，它不会将描述识别为相同。 如果我只 groupby Account 我得到 435 行，这是正确的。 如果我 groupby 描述我得到超过 1100 这是不正确的（这是原始的行数）。 按帐户和描述分组产生与按描述分组相同的结果。 这对我来说意味着描述仍然不被视为相同。

我也尝试过完全不脱衣服，然后毫无喜悦地离开。

关于如何使描述相同的任何想法？

# Replaces multiple white spaces in string to a single whitespace
PE5901_df['Description'] = PE5901_df['Description'].str.replace('\s+', ' ', regex=True)

# Strip leading and trailing spaces from fields to avoid groupby, concat, and merge issues later.
PE5901_df['Description'] = PE5901_df['Description'].str.strip()

# Groupby Account number and Asset name - sums individual rows with identical account numbers.
PE5901_df=PE5901_df.groupby(['Account','Description'],as_index=False).sum()

Answer 1

这是检查“描述”列中数据的一种方法。 这将显示问题是空格还是其他问题。

import pandas as pd

description = [
    '111001 cash deposit', '111001 cash deposit ', '111001 cash deposit  ',
    ' 111001 cash deposit', '  111001 cash deposit', '   111001 cash deposit',
]

elements = pd.Series(description).sort_values().unique()

for element in elements:
    print(f">>{element}<<")

打印输出为：

>>   111001 cash deposit<<
>>  111001 cash deposit<<
>> 111001 cash deposit<<
>>111001 cash deposit<<
>>111001 cash deposit <<
>>111001 cash deposit  <<

可以使用.str访问器删除前导/尾随空格：

elements = pd.Series(description).str.strip().sort_values().unique()