根据子字符串的数据框搜索段落的数据框并返回子字符串及其匹配的段落

Question

我正在根据数据框中的姓名列表搜索网页。如果某个名称出现在段落中，我想知道是哪个段落，以便我可以解析该段落的某些部分，然后将其与名称关联起来。

我有两个数据框：

dfrule 由“Paragraphs”和“Ids”组成，而 eldf 由“Names”和“Ids”组成

埃尔夫：

{'Name':{...,
         1704: 'Satco',...}}

dfrule：

{'Paragraphs: {0:" Words words words Satco", ...}, 'id': {0: 0,1: 1,...}}

我想要的输出是条目“Satco”及其出现的段落的 ID。

到目前为止我已经：

substring_matches = eldf['name'].apply(lambda s1: dfrule['Paragraphs'].apply(lambda s2: s1 in s2).any()
matchdf = eldf[substring_matches]

这为我提供了列表中与任何段落匹配的每个名称，但不提供与之匹配的段落的 ID。我怎样才能将它与段落 id 关联起来？

所以我明白了

{'Name":{1704:'Satco'}, 'Paragraph id':{0:0}}

Answer 1

由于没有提供数据，我不得不猜测它可能是什么样子。我不完全清楚数据帧的确切参数，也不完全清楚所需的输出格式，但下面是一个示例，如果它们包含“名称”列下的值，您可以找到所有段落 ID，忽略大小写。

如果您希望函数对大小写更加严格，请从 str.contains 调用中删除 'case=False' 参数。

import pandas as pd

dfrule_dict = {'Paragraphs': ['Example paragraph one.', 'Example two.',
                              'Third example.', 'This is the fourth.'],
               'Ids': [1, 2, 3, 4]}
dfrule = pd.DataFrame(dfrule_dict)

eldf_dict = {'Names': ['Example', 'two', 'paragraph', 'Foo', 'Bar', '.', 'Master Chief'],
             'Ids': [111, 112, 113, 114, 115, 116, 117]}
eldf = pd.DataFrame(eldf_dict)

def find_paragraphs(name):
    ids = dfrule[dfrule['Paragraphs'].str.contains(name, case=False)]['Ids'].tolist()
    return ids

eldf['paragraph_ids'] = eldf['Names'].apply(find_paragraphs)

print(eldf)