如果列包含在另一个数据框中指定的字符串，则从数据框中的列获取平均值

Question

我有一个大型数据框（价格），其中包含一个长描述和与该描述相关的价格。 我生成了另一个数据框（单词），它保留了那些长描述所具有的所有唯一单词。我要做的是从价格数据框中获取特定单词的平均价格，然后将其存储在单词数据框中，与单词在同一行中。

我设法获得了特定单词的平均值，但是当我尝试循环遍历单词数据帧时，它花费了太多时间。

这适用于单个值：

prices.loc[prices['TEXT'].str.contains("PREMIUM", na=False)]['PRICE'].mean()

这是我尝试运行的循环：

for ind in words.index:
  words['avgs'][ind]=prices.loc[prices['TEXT'].str.contains(words['WORD'][ind], na=False)]['PRICE'].mean()

示例数据框：

prices = pd.DataFrame({'TEXT': ['VINO ESPUMOSO ROSE GRADO ALCOHOLICO 11.8 ACIDEZ VOLATIL 0.37 COSECHA 2013 EN CAJAS DE 06X750 ML SIN EMBALAR', 'VINO CON DENOMINACION DE ORIGEN ESPUMOSO SPARKLING ANGEL BRUT GRADO ALCOHOLICO 12.0 06BOTELLAS EN ENVASE DE 750 ML SIN EMBALAR', 'VINO ESPUMOSO CHARDONNAY PINOT NOIR EXTRA BR DE UVA, GR.ALC.12.80, ACIDEZ  VOL. 0.46 G/L.,CAJAS DE 6 BOLTELLAS DE 750 ML. SIN EMBALAR', 'VINO PINOT NOIR ROSE BRUT GA 12.0 AV 0.45 COSECHA 2013 CON DENOMINACION DE ORIGEN EN CAJAS CON BOTELLAS DE 6X750CC SIN EMBALAR', 'VINO ESPUMOSO ROSE GRADO ALCOHOLICO 11.8 ACIDEZ VOLATIL 0.37 COSECHA 2013 EN CAJAS DE 06X750 ML SIN EMBALAR VINO CON DENOMINACION DE ORIGEN ESPUMOSO SPARKLING ANGEL BRUT GRADO ALCOHOLICO 12.0 06BOTELLAS EN ENVASE DE 750 ML SIN EMBALAR VINO ESPUMOSO CHARDONNAY PINOT NOIR EXTRA BR DE UVA, GR.ALC.12.80, ACIDEZ  VOL. 0.46 G/L.,CAJAS DE 6 BOLTELLAS DE 750 ML. SIN EMBALAR VINO PINOT NOIR ROSE BRUT GA 12.0 AV 0.45 COSECHA 2013 CON DENOMINACION DE ORIGEN EN CAJAS CON BOTELLAS DE 6X750CC SIN EMBALAR'],
                       'PRICE': [6.33, 5.43, 2.79, 3.07, 1.96]})

words = pd.DataFrame({'WORD':['VINO', 'ESPUMOSO', 'ROSE', 'GRADO', 'ALCOHOLICO', '11.8', 'ACIDEZ', 'VOLATIL', '0.37', 'COSECHA', '2013', 'EN', 'CAJAS', 'DE', '06X750', 'ML', 'SIN', 'EMBALAR', 'CON', 'DENOMINACION', 'ORIGEN', 'SPARKLING', 'ANGEL', 'BRUT', '12.0', '06BOTELLAS', 'ENVASE', '750', 'CHARDONNAY', 'PINOT', 'NOIR', 'EXTRA', 'BR', 'UVA,', 'GR.ALC.12.80,', 'VOL.', '0.46', 'G/L.,CAJAS', '6', 'BOLTELLAS', 'ML.', 'GA', 'AV', '0.45', 'BOTELLAS', '6X750CC', ]})

有什么方法可以让这段代码更快？ 谢谢！

Answer 1

最简单的方法是使用Series.str.extractall，然后使用join 提取回index，最后使用GroupBy.mean：

matches = (
    prices['TEXT'].str.extractall(f'({"|".join(words["WORD"])})')
    .rename(columns={0:'WORDS'})
    .rename_axis(['index', 'match'])
)

final = (
    prices.rename_axis('index')
    .join(matches)
    .groupby('WORDS', sort=False)['PRICE'].mean()
    .reset_index(name='MEAN_PRICE')
)

输出

print(final)
            WORDS  MEAN_PRICE
0            VINO    3.182500
1        ESPUMOSO    3.405000
2            ROSE    3.330000
3           GRADO    3.920000
4      ALCOHOLICO    3.920000
5            11.8    4.145000
6          ACIDEZ    3.260000
7         VOLATIL    4.145000
8            0.37    4.145000
9         COSECHA    3.330000
10           2013    3.330000
11             EN    3.512500
12          CAJAS    3.330000
13             DE    2.990000
14         06X750    4.145000
15             ML    3.405000
16            SIN    3.182500
17        EMBALAR    3.182500
18            CON    2.908333
19         ORIGEN    3.105000
20      SPARKLING    3.695000
21          ANGEL    3.695000
22           BRUT    3.105000
23           12.0    3.105000
24     06BOTELLAS    3.695000
25            750    2.861667
26     CHARDONNAY    2.375000
27          PINOT    2.445000
28           NOIR    2.445000
29          EXTRA    2.375000
30             BR    2.375000
31           UVA,    2.375000
32  GR.ALC.12.80,    2.375000
33           VOL.    2.375000
34           0.46    2.375000
35     G/L.,CAJAS    2.375000
36              6    2.445000
37      BOLTELLAS    2.375000
38             GA    2.515000
39             AV    2.515000
40           0.45    2.515000
41       BOTELLAS    2.515000