Python Panda str.contiene() con collegamenti ipertestuali a righe

Question 1

Ho due panda dataframes in questo modo:

df1

sito	link
retailer_site1	https://www.retailer_site1.com
...	...
retailer_siteX	https://www.retailer_siteX.com

df2

sito	link
retailer_site1	https://www.retailer_site1.com
...	...
retailer_siteY	https://www.retailer_siteY.com

Quindi voglio passare attraverso df2 e trovare le istanze dei link da df2 in df1. Ecco il mio codice:

    for row in df2['link'].astype(str):
        boolean_findings = df1['link'].str.contains(row)

Quando si stampa boolean_findings, sto diventando tutto falso, che so che non può essere vero perché sto vedendo le partite in locale sul mio file excel:

boolean_findings
False
False
...
False

Quello che voglio sapere è perché il collegamento ipertestuale stringa di testo è quello di non essere abbinati con il suo equivalente al primo df, e cosa posso fare per abbinare i siti.

Question 2

"Ho dato un'occhiata e ho notato che alcuni siti web hanno un ( e ) incluso nel loro link, che potrebbe essere buttare fuori i collegamenti

Sembra che avete bisogno di solo account per alfanumerici/sottolineatura caratteri quando si confrontano i collegamenti, è possibile utilizzare

df2["link"].str.replace(r'\W+','', regex=True).isin(
    df1["link"].str.replace(r'\W+','', regex=True))

Il .str.replace(r'\W+','', regex=True) parte rimuove tutti i caratteri che non siano lettere, segni diacritici, le cifre e il connettore di punteggiatura (più comune char è un carattere di sottolineatura tra di loro) dal link.

Wiktor Stribiżew · Answer 1 · 2021-10-23T10:27:53

"Ho dato un'occhiata e ho notato che alcuni siti web hanno un ( e ) incluso nel loro link, che potrebbe essere buttare fuori i collegamenti

Sembra che avete bisogno di solo account per alfanumerici/sottolineatura caratteri quando si confrontano i collegamenti, è possibile utilizzare

df2["link"].str.replace(r'\W+','', regex=True).isin(
    df1["link"].str.replace(r'\W+','', regex=True))

Il .str.replace(r'\W+','', regex=True) parte rimuove tutti i caratteri che non siano lettere, segni diacritici, le cifre e il connettore di punteggiatura (più comune char è un carattere di sottolineatura tra di loro) dal link.

Ho ottenuto il seguente errore per la regex nel sostituire: TypeError: replace() takes no keyword arguments. Quando ho tolto le regex=Truenon un errore, ma non la sostituisce sia. Penso che un aspetto in re modulo per ordinare questo, ma grazie per avermi messo sulla strada giusta!
@GH assicurarsi di utilizzare l'ultima Panda versione. pip install -U pandas. Questo codice è stato testato contro i tuoi dati e dimostrato di funzionare.

Python Panda str.contiene() con collegamenti ipertestuali a righe

Domanda

Migliore risposta

In altre lingue

Questa pagina è in altre lingue

Popolare in questa categoria

Domande popolari in questa categoria