如何删除重复项并仅保留两列包含相同单词的行（熊猫）答案

【问题标题】：How to remove duplicates and only keep rows in which two columns contain same words (Pandas)如何删除重复项并仅保留两列包含相同单词的行（熊猫）
【发布时间】：2022-01-23 15:49:47
【问题描述】：

我已通过特定 ID 上的 Left Join 合并了两个数据集。然而，正确的 DF 有多个具有相同 ID 的行，但其中可以有不同的企业归因于相同的 ID。每个 ID 我只需要一行，它需要是左右数据框中的 Businesses 匹配的那一行。

然而，最后一个问题是，两个数据框中的业务不完全匹配（因此我没有对此进行合并） - 左侧数据框将包含部分业务名称，而右侧 DF 包含全名，因此我想当右 DF 业务名称列中的业务名称不包含原始 DF 名称列中的任何单词时，我可以删除重复项。

下面是一个我希望更有意义的可视化

目前：

Business Name (Left)	ID	Business Name (Right)
Dewes	1225	Dewes & Sons Ltd
Dewes	1225	Stanleys PLC
Dewes	1225	Shark Ltd
Dewes	1225	Robots R Us Inc
Apple	1456	L&L & Co
Apple	1456	Apple Inc

我想要什么

Business Name (Left)	ID	Business Name (Right)
Dewes	1225	Dewes & Sons Ltd
Apple	1456	Apple Inc

谢谢，奥利

【问题讨论】：

您可以删除重复项：df.drop_duplicates(subset=["Business Name (Left)","ID"])
@Bharath 这不一定意味着我会得到正确的匹配企业认为对吗？例如，如果我删除重复项，我最终可能会在左侧出现“Dewes”，而在右栏中会出现“Shark Ltd”，这会是错误的吗？
如果要保留第一个副本，请相应地使用参数keep='first' 和keep='last' 作为最后一个副本。
如果要按字母顺序保留，请先使用sort_values，然后删除重复项。
@Bharath 我想保留的行可能是第一行、最后一行或中间行——对它们进行排序不一定能解决这个问题。不过谢谢你，我知道我需要删除重复项 - 我现在只需要在条件的其他部分保留那些右侧包含左侧的部分

标签： pandas

【解决方案1】：

欢迎使用 Stackoverflow。一个可以接受您想法的可能解决方案如下。

df[df.apply(lambda x: x['Business Name (Left)'] in x['Business Name (Right)'].split(' '), axis=1)]

在这种情况下，仅过滤合并的数据帧。这适用于此，但前提是右栏中只有一个单词。这应该相对容易更改，通过拆分写入列而不是使用 .isin()。

【讨论】：