我可以修改一个数据表以匹配另一个几乎相似的数据框ID吗？

Question

我有多个数据帧要比较。我的问题是产品ID。其中一个设置如下：

• 000-000-000-000
• Vs
• 000-000-000

（毛额）

我在这里看到了reddit、YouTube，甚至深入兔子洞尝试了。加入、.append，一些我以前从未见过，甚至还不了解的其他方法。是否有一种方法（或者更好的方法，我可以阅读一些文档来了解这一点）从主excel工作表中提取产品ID，并将其与应该匹配的产品ID进行比较。然后，我将更喜欢在所有的表中创建就地ID。这样我就可以使用这些ID作为索引，并将ID与行数据并排比较？每个ID大约有113个值要比较。这是113列，但如果这有意义的话，每行都有113列

示例：（彩色列是将与非彩色列进行比较的主表）

补充说明： 突出显示的黄色ID是“唯一的”，我不会更改它们，而是将它们写入列表或其他内容，并使用if语句在找到它们时忽略它们

编辑： 所以我写了这段代码，这几乎是完美的，我需要这样做。 它去掉了我应用于所有ID的“-”。只需要列出一个唯一的ID列表，以便在删除零时跳过

dfSS["Product ID"] = dfSS["Product ID"].str.replace("-", "")

然后，除了唯一ID之外，这将只列出最多9位的数字

dfSS["Product ID"] = dfSS["Product ID"]str[:9]

我将在这里添加完整的代码，一旦我得到它的工作100%

我现在想知道怎么说这样的话

lst =[1,2,3,4,5]
if dfSS["Product ID"] not in lst:
   dfSS["Product ID"] = dfSS["Product ID"].str.replace("-", "").str[:9]

这段代码不起作用，但每天我都越来越接近能够比较这些相似但不同的数据帧。lst只是列表中000-000-000产品ID的一个示例，我根本不想对其进行筛选。但请保留在数据框中

Answer 1

如果ID转换是可预测的，那么一个选项是使用正则表达式来均匀化ID。例如，如果情况只是删除前三位数字，则可以使用如下内容：

df['short_id'] = df['long_id'].str.extract(r'\d\d\d-([\d-]*)')

如果ID转换不可预测（例如，由于转录错误或数据中的某些其他噪声），那么最好的选择是首先使用类似recordlinkage的方法消除ID转换的歧义，请参见示例here

Answer 2

Ok解决了每个产品ID是否有破折号、#、ltters等的问题

(\d\d\d-)?[_#\d-]?[a-zA-Z]?

（\d\d\d-）-这是第一次&；第二个三个整数集，包含零个或多个匹配项和一个破折号（非贪婪）

[\u35;\ d-]？-这适用于任何特殊字符和附加数字（非贪婪）

[a-zA-Z]？-这个，不知道为什么，但我不得不从最后一部分中分离出来，因为它不能拾取每个字母。（非贪婪）

有了以上这些，我解决了所有我需要的问题

在那里我学会了如何提高我的再培训技能：

RE Documentation

Automate the Boring Stuff- Ch 7

You can test you RE's here

另一种方式来显示这一点。把这个放在这里，表明没有一种方法可以做到这一点。RE超级棒：

(\d{3}-)?[_#\d{3}-]?[a-zA-Z]?