我正在尝试使用 pandas 复制 here 中描述的(非常酷的)数据匹配方法。目标是获取记录的组成部分(标记)并用于匹配另一个 df。
我一直在努力弄清楚如何保留源 ID 并与各个 token 相关联。希望这里有人对我如何做到这一点有一个聪明的建议。我搜索了 Stack,但没有找到类似的问题。
这里有一些示例数据和核心代码来说明。这需要一个数据框,标记选择列,生成标记、标记类型和 ID(但 ID 部分不起作用):
d = {'Id': [3,6], 'Org_Name': ['Acme Co Inc.', 'Buy Cats Here LLC'], 'Address': ['123 Hammond Lane', 'Washington, DC 20456']}
df = pd.DataFrame(data=d)
def tokenize_name(name):
if isinstance(name, basestring) is True:
clean_name = ''.join(c if c.isalnum() else ' ' for c in name)
return clean_name.lower().split()
else:
return name
def tokenize_address(address):
if isinstance(address, basestring) is True:
clean_name = ''.join(c if c.isalnum() else ' ' for c in address)
return clean_name.lower().split()
else:
return address
left_tokenizers = [
('Org_Name', 'name_tokens', tokenize_name),
('Address', 'address_tokens', tokenize_address)
]
#this works except for ID references
def prepare_join_keys(df, tokenizers):
for source_column, key_name, tokenizer in tokenizers:
for index in df.index:
if source_column in df.columns:
for record in df[source_column]:
if isinstance(record, float) is False:
for token in tokenizer(record):
yield (token, key_name, df.iloc[index]['Id'])
for item in prepare_join_keys(df, left_tokenizers):
print item
此代码生成正确的标记,但生成所有标记的 Id 值,而不是仅为相应的 ID 值。我知道我这里有错,但我想不出使用我的生成器函数来做到这一点的方法。期望的输出是:
acme, name_tokens, 3
co, name_tokens, 3
inc, name_tokens, 3
buy, name_tokens, 6
cats, name_tokens, 6
here, name_tokens, 6
llc, name_tokens, 6
123, address_tokens, 3
hammond, address_tokens, 3
etc.
最佳答案
您需要更改Id
的索引,而不是在专用的for
循环中,但同时您会获得一条新记录。我会建议这样的事情:
def prepare_join_keys(df, tokenizers):
for source_column, key_name, tokenizer in tokenizers:
# for index in df.index:
if source_column in df.columns:
for index, record in enumerate(df[source_column]):
if isinstance(record, float) is False:
for token in tokenizer(record):
yield (token, key_name, df.iloc[index]['Id'])
关于python - 使用生成器标记记录时保留 ID 引用,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/53531540/