根据索引或列组合行

Question

我有三个数据框：df1、df2、df3。我正在尝试添加 ART_UNIT do df1 的列表。

df1 是 260846 行 x 4 列：

Index    SYMBOL    level  not-allocatable  additional-only
0        A         2             True            False
1        A01       4             True            False
2        A01B      5             True            False
3        A01B1/00  7            False            False
4        A01B1/02  8            False            False
5        A01B1/022 9            False            False
6        A01B1/024 9            False            False
7        A01B1/026 9            False            False

df2 是 941516 行 x 2 列：

Index       CLASSIFICATION_SYMBOL_CD  ART_UNIT
0                     A44C27/00       3715
1                    A44C27/001       2015
2                    A44C27/001       3715
3                    A44C27/001       2615
4                    A44C27/005       2815
5                    A44C27/006       3725
6                    A44C27/007       3215
7                    A44C27/008       3715
8                     F41A33/00       3715
9                     F41A33/02       3715
10                    F41A33/04       3715
11                    F41A33/06       3715
12                    G07C13/00       3715
13                   G07C13/005       3715
14                    G07C13/02       3716

而df3与df2的格式相同，但有673023行x 2列

df2 和 df3 中的 'CLASSIFICATION_SYMBOL_CD' 不是唯一的。

对于 df2 和 df3 中的每个 'CLASSIFICATION_SYMBOL_CD'，我想在 df1 'SYMBOL' 中找到相同的字符串，并向 df1 'ART_UNIT' 添加一个新列，其中包含来自 df2 和 df3 的所有 'ART_UNIT'。

例如，在 df2 中，'CLASSIFICATION_SYMBOL_CD'A44C27/001 有 ART_UNIT 2015、3715 和 2615。

我想将那些 ART_UNIT 写入 df1 中的正确行，这样读取：

Index    SYMBOL      level  not-allocatable  additional-only  ART_UNIT
211        A44C27/001  2             True            False    [2015, 3715, 2615]

到目前为止，我已经尝试将 df2/df3 分组为 'CLASSIFICATION_SYMBOL_CD'

gp = df2.groupby(['CLASSIFICATION_SYMBOL_CD'])
for x in df2['CLASSIFICATION_SYMBOL_CD'].unique():
    df2_g = gp.get_group(x)

这给了我：

Index       CLASSIFICATION_SYMBOL_CD    ART_UNIT
1354        A61N1/3714                  3762
117752      A61N1/3714                  3766
347573      A61N1/3714                  3736
548026      A61N1/3714                  3762
560771      A61N1/3714                  3762
566120      A61N1/3714                  3766
566178      A61N1/3714                  3762
799486      A61N1/3714                  3736
802408      A61N1/3714                  3736

Answer 1

由于df2 和df3 具有相同的格式，请先将它们连接起来。

import pandas as pd
df = pd.concat([df2, df3])

然后获取所有艺术单元的列表，groupby并申请列表。

df = df.groupby('CLASSIFICATION_SYMBOL_CD').ART_UNIT.apply(list).reset_index()
#   CLASSIFICATION_SYMBOL_CD            ART_UNIT
#0                 A44C27/00              [3715]
#1                A44C27/001  [2015, 3715, 2615]
#2                A44C27/005              [2815]
#3                A44C27/006              [3725]
#...

最后，通过合并将此信息带到df1（您也可以使用映射或其他方式）。首先重命名列，以便在合并后清理更少。

df = df.rename(columns={'CLASSIFICATION_SYMBOL_CD': 'SYMBOL'})
df1 = df1.merge(df, on='SYMBOL', how='left')

输出：

   Index     SYMBOL  level  not-allocatable  additional-only ART_UNIT
0      0          A      2             True            False      NaN
1      1        A01      4             True            False      NaN
2      2       A01B      5             True            False      NaN
3      3   A01B1/00      7            False            False      NaN
4      4   A01B1/02      8            False            False      NaN
5      5  A01B1/022      9            False            False      NaN
6      6  A01B1/024      9            False            False      NaN
7      7  A01B1/026      9            False            False      NaN

遗憾的是，您没有在 df1 中提供任何重叠的符号，因此没有合并。但这将适用于您的完整数据。