如何在熊猫数据框中对字符串进行排序或检查等效性而不考虑顺序？

Question

我有一个数据框ex，想比较两个变量bt_x，bt_y（数据框大约有 20K 行；最终会达到 150K+）。我想比较字符串，但是单词的顺序不同。如果集合在其他方面完全等价，即 'abc' = 'cab'，但 'abc' != 'cabe' 那么我想显示匹配，否则不匹配。目前，所有变量的代码都是这样设置的：ex['bt M'] = np.where(ex['bt_x'] == ex['bt_y'], 1, 0)大多数变量都是数字，但有几个字符串我想忽略顺序或 sort。我试过这个：ex['bt_x_2'] = ''.join(sorted(ex['bt_x']))新变量“bt_x_2”似乎包含每行数据框中所有“bt_x”行的排序结果。我想对每一行的结果进行排序，独立于所有其他行。换句话说：应用ex['bt_x_2'] = ''.join(sorted(ex['bt_x']))或每行的其他方法。我将对两个比较字符串执行此操作，然后检查是否等效。如果有更好的方法那就太好了。我很想听听。在少数情况下，我一直在这里和那里寻找一种好方法。我以前写过一堆正则表达式规则，但最好不要这样做。示例数据框：File Name: "file 1.pdf", "file 2.pdf"bt_x: "Series A + Series B; Series C + D; No Common Shares", "series A-1 + B-1" bt_y: "Series C + D; No Common Shares; Series A + Series B", series B-1 + A-1  dividends_x: .08, .667  dividends_y: .11, .06667所需的输出（空格和其他符号最终不重要匹配）：bt_x: "Series A + Series B; Series C + D; No Common Shares", "series A-1 + B-1" bt_y: "Series A + Series B, Series C + D; No Common Shares; , series A-1 + B-1  我擅长剥离字符 " ; 或 + 或 - 或 ""基本上，是否有一组完全匹配的单词和字母，bt_x是bt_y我想在第三列中回答的问题bt_M(1,0)

Answer 1

您可以将apply与collections.Counter结合使用：

import pandas as pd

from collections import Counter

data = [['abc', 'bca'],

        ['aab', 'aba'],

        ['abc', 'cabe']]

df = pd.DataFrame(data=data, columns=['A', 'B'])

df['C_A'] = df.A.apply(Counter)

df['C_B'] = df.B.apply(Counter)

mask = df.C_A == df.C_B

print(mask)

输出

0     True

1     True

2    False

dtype: bool

Counter 创建一个字典，其中包含字符串中每个字母的计数，例如：

'abc' -> Counter({'a': 1, 'b': 1, 'c': 1})

当且仅当键和计数都相等时，计数器相等，即，当且仅当字符串相等而不管字符的顺序如何。此解决方案适用O(n)于每个字符串与O(n*logn).