python - 如何根据某些条件合并数据集的行

Question

我有一个数据表(来自 CSV 文件)，我想读入该数据表并使用一些用于合并行的逻辑进行处理。以下是数据示例:

john,john@domain.com,50
john doe,john@domain.com,10
john doe,john.doe@domain.com,100
mary,mary@domain.com,500

此数据表示一个 3 列 4 行的数据表。第 1 列是姓名(“名字”或“名字、姓氏”)、电子邮件地址以及该人拥有的金额。

我的程序的目标是整契约(Contract)一用户的信息。挑战在于确定哪些用户实际上是同一个人。例如，前 3 行是同一个人。这是因为“john doe”有两个电子邮件地址和两个不同的姓名。我如何确定某人是否与另一个人“相同”的逻辑如下:

1. 如果两个名字的名字和姓氏相同，则他们是同一个人。我们忽略没有姓氏的名字的比较，因为这太模糊了。
2. 如果两行具有相同的电子邮件地址，则表明是同一个人。即使名称不同也没关系。

比较的优先级应该是:

1. 首先匹配名称
2. 其次匹配电子邮件地址

当我们整合时，我们需要跟踪:

1. 一个人有多个名字
2. 一个人有多个已知的电子邮件地址
3. 他们拥有的总金额

因此，如果我根据上面的数据集迭代地解决这个问题，第一次迭代(按名称合并)会产生以下结果:

Name      | Email(s)                             | Money
-----------------------------------------------------------
john      | john@domain.com                      | 50
john doe  | john@domain.com, john.doe@domain.com | 110
mary      | mary@domain.com                      | 500

第二次迭代，通过电子邮件进行整合，产生了最终结果:

Name(s)         | Email(s)                             | Money
-----------------------------------------------------------
john doe, john  | john@domain.com, john.doe@domain.com | 160
mary            | mary@domain.com                      | 500

我想编写一个 Python 3 脚本来执行这种类型的数据合并。我尝试过各种尝试，但总是变得非常糟糕。我最终得到了大量的嵌套循环或列表理解。我还没有完成任何工作，所以遗憾的是我没有任何东西可以分享。

我的直觉是，有一个Python风格的单行或两行代码可以做到这一点。

Answer 1

一个简单的方法是创建一个包含 ID、姓名、电子邮件和金钱的字典。对于每一行，搜索姓名或电子邮件是否已在字典中。如果是，则更新字典，否则使用新的 id 将名称 email 添加到字典中。 代码如下所示:

data_dict = {'1':{'Names':['john doe', 'john'], 'Emails':['john.doe@domain.com'], 'Money':0},
             '2':{'Names':['mary'], 'Emails':['mary@domain.com'], 'Money':0}
             }
for name in df[name]:
    for key in data_dict:
        if name in data_dict[key]['Names']:
            #update data_dict
        else:
           # add to data_dict