如何有效地在熊貓數據框中的兩列之間匹配正則表達式模式？

Question

我的問題是關於有效使用正則表達式模式來查找從Excel文件提取的兩個熊貓df之間的匹配項

首先，感謝您抽出寶貴時間來研究我的問題。 我對python非常陌生，在使用它處理大型數據集時更是如此。 我知道我應該將堆棧作為最后的手段。

現在，我將腦袋撞到牆上可能很簡單的事情。

問題：我有兩個Excel文件：

一只有1列* 300行=原始網址

另一個可能很大，從20k開始，還有更多翻譯后的網址

目的：我有原始的url，我必須找到它們在大excel文件中的譯文。

這兩個網址之間唯一的共同點是網址中某處的8位數字

我曾考慮過合並，但由於它是部分匹配項（據我所知），因此無法正常工作。我發現了一個潛在的有趣解決方案： .where可以讓我完全按照自己的意願做。 但是我得到這個錯誤：

master_list [“ translated”] = crawlfr.url.where（number_search.search（master_list）.group（0）== number_search.search（crawl_fr）.group（0），master_list.url）TypeError：預期的字符串或緩沖區

據我所知，這個問題可能來自正則表達式，它看起來除了字符串外別無其他。

實際上，當我通過像這樣提取函數中的match對象來比較兩個字符串時，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)

我認為這個問題非常接近我想做的事情，但沒有任何答復： 熊貓：比較兩個具有相同數據結構但使用模式匹配的數據差異的數據框

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

確保您的url cols是dtype str 。

嘗試使用每個數字的8位ID創建新的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')