如何对照数据帧的列本身检查数据帧的列？

Question

我有一个包含两个相关列的数据帧。我需要对照列A（一个名称列表）本身进行检查，如果两个（或更多）值彼此足够相似，我将对这些行的列B中的值求和。 为了检查相似性，我使用fuzzyfuzzy包，它接受两个字符串并返回一个分数。你知道吗

数据：

a            b   
apple        3 
orang        4 
aple         1  
orange       10  
banana       5

我想留下：

a       b
apple   4
orang   14
banana  5

我试过下面这句话，但我一直得到一个关键错误

    df['b']=df.apply(lambda x: df.loc[fuzz.ratio(df.a,x.a)>=70,'b'].sum(), axis=1)

我还需要删除将列b添加到另一行的所有行。你知道吗

你对如何做到这一点有什么想法吗？你知道吗

Answer 1

这里的某些部分最好用pandas来完成，而有些部分（例如，应用于笛卡尔积的函数）可以不用pandas来完成。你知道吗

总的来说，您可以通过以下方法来实现：

import itertools
import numpy as np

alias = {l : r for l, r in itertools.product(df.a, df.a) if l < r and 
fuzz.ratio(l, r) > 70}
>>> df.b.groupby(df.a.replace(alias)).sum()
apple      4
banana     5
orange    14
Name: b, dtype: int64

---

线路

alias = {l : r for l, r in itertools.product(df.a, df.a) if l < r and 
fuzz.ratio(l, r) > 70}

创建映射alias，将单词从a映射到它们的别名。你知道吗

线路

df.b.groupby(df.a.replace(alias)).sum()

通过使用alias的翻译对b进行分组，然后求和。你知道吗

Answer 2

我会映射和分组：

def get_similarity(df, ind, col):
    mapped = list(map(lambda x: fuzz.ratio(x, df[col].loc[ind]), df[col]))
    cond = (np.array(mapped) >= 70)
    label = df[col][cond].iloc[0]

    return label

使用如下：

df.groupby(lambda x: get_similarity(df, x, 'a'))['b'].sum()