python - 使用字典值过滤数据帧，同时将字典键分配给匹配的行？

Question

我有一个数据框，其中包含“链接”列，其中包含数千篇在线文章的 URL。每个观察都有一个 URL。

urls_list = ['http://www.ajc.com/news/world/atlan...',
             'http://www.seattletimes.com/sports/...',
             'https://www.cjr.org/q_and_a/washing...',
             'https://www.washingtonpost.com/grap...',
             'https://www.nytimes.com/2017/09/01/...',
             'http://www.oregonlive.com/silicon-f...']

df = pd.DataFrame(urls_list,columns=['Links'])

我还有一个字典，其中包含作为键的出版物名称和作为值的域名。

urls_dict = dict({'Atlanta Journal-Constitution':'ajc.com',
                  'The Washington Post':'washingtonpost.com',
                  'The New York Times':'nytimes.com'})

我想过滤数据帧以仅获取“链接”列包含字典值中的域的观察结果，同时同时在字典键中分配出版物名称到新专栏“出版物”。我设想的是使用下面的代码创建“发布”列，然后从该列中删除“无”以在事后过滤数据帧。

pub_list = []

for row in df['Links']:
    for k,v in urls_dict.items():
        if row.find(v) > -1:
            publication = k
        else:
            publication = None
        pub_list.append(publication)

但是，我得到的返回列表 pub_list - 虽然看起来符合我的预期 - 是我的数据帧的三倍长。有人可以建议如何修复上述代码吗？或者，建议一个更干净的解决方案，它可以(1)使用字典值(域名)过滤数据帧的“链接”列，同时(2)创建字典键(出版物名称)的新“发布”列？ (请注意，为简洁起见，此处创建的 df 仅包含一列；实际文件将包含许多列，因此我必须能够指定要过滤的列。)

编辑:我想对RagingRoosevelt的回答进行一些澄清。我想避免使用合并，因为某些域可能不完全匹配。例如，对于 ajc.com，我还希望能够捕获 myajc.com，对于 washingtonpost.com，我希望能够捕获也想获得像 live.washingtonpost.com 这样的子域名。因此，我希望有一种“在字符串中查找子字符串”的解决方案，其中包含 str.contains()、find() 或 in > 运算符。

Answer 1

这就是我要做的:

1. 使用DataFrame.apply向仅包含域的数据框添加一个新列。

2. 使用DataFrame.merge (使用 how='inner' 选项)在域字段上合并两个数据框。

如果数据帧只是迭代列或行，那么使用循环对数据帧执行操作有点脏，并且通常有一个 DataFrame 方法可以更干净地执行相同的操作。

如果您愿意，我可以用示例来扩展它。

编辑 这就是它的样子。请注意，我使用相当糟糕的正则表达式来捕获域。

def domain_extract(row):
    s = row['Links']
    p = r'(?:(?:\w+)?(?::\/\/)(?:www\.)?)?([A-z0-9.]+)\/.*'
    m = re.match(p, s)
    if m is not None:
        return m.group(1)
    else:
        return None

df['Domain'] = df.apply(domain_extract, axis=1)

dfo = pd.DataFrame({'Name': ['Atlanta Journal-Constitution', 'The Washington Post', 'The New York Times'], 'Domain': ['ajc.com', 'washingtonpost.com', 'nytimes.com']})

df.merge(dfo, on='Domain', how='inner')[['Links', 'Domain', 'Name']]