通过使用python匹配国家名称的子字符串来更新数据框中国家代码列中的空值答案

【问题标题】：Update a null values in countrycode column in a data frame by matching substring of country name using python通过使用python匹配国家名称的子字符串来更新数据框中国家代码列中的空值
【发布时间】：2016-09-26 15:02:17
【问题描述】：

我有两个数据框：灾难，CountryInfo 灾难有一个国家代码列，其中有一些空值，例如：

灾难：

 1.**Country**              - **Country_code** 
 2.India                    - Null         
 3.Afghanistan (the)        - AFD
 4.India                    - IND
 5.United States of America - Null

国家信息：

0.**CountryName**   - **ISO** 
1.India             - IND
2.Afganistan        - AFD
3.United States     - US

预期结果

          Country Country_code
 0          India          IND
 1    Afghanistan          AFD
 2          India          IND
 3  United States           US

我需要参考国家名称的子字符串填写国家代码。有人可以为此提出解决方案吗？

【问题讨论】：

标签： python python-2.7 pandas

【解决方案1】：

应该这样做。您需要使用rename 更改列名，以便dataframes 具有相同的列名。然后，difflib 模块及其get_close_matches 方法可用于对Country 名称进行模糊匹配和替换。那么合并dataframes就很简单了

import pandas as pd
import numpy as np
import difflib

df1 = pd.DataFrame({'Country' : ['India', 'Afghanistan', 'India', 'United States of America'],
                        'Country_code' : ['Null', 'AFD', 'IND', 'Null']})
df1
                    Country Country_code
0                     India         Null
1               Afghanistan          AFD
2                     India          IND
3  United States of America         Null

df2 = pd.DataFrame({'Country' : ['India', 'Afghanistan', 'India', 'United States'],
                    'ISO' : ['IND', 'AFD', 'IND', 'USA']})
df2
          Country ISO
0          India  IND
1    Afghanistan  AFD
2          India  IND
3  United States  USA

df2.rename(columns={'ISO' : 'Country_code'}, inplace=True)
df2
         Country Country_code
0          India          IND
1    Afghanistan          AFD
2          India          IND
3  United States          USA

以下代码会将df2 中的Country 列更改为df1 中Country 列中提供最接近匹配的名称。这是一种对子字符串执行“模糊连接”的方法。

df1['Country'] = df1.Country.map(lambda x: difflib.get_close_matches(x, df2.Country)[0])
df1
         Country Country_code
0          India         Null
1    Afghanistan          AFD
2          India          IND
3  United States         Null

现在您可以简单地 merge 和 dataframes，这将更新 df1 中缺少的 Country_code 行。

df1.merge(df2, how='right', on=['Country', 'Country_code'])

         Country Country_code
0    Afghanistan          AFD
1          India          IND
2          India          IND
3  United States          USA

【讨论】：

感谢您的回复，但两个数据框中的国家/地区名称不同。我需要使用值的子字符串来匹配国家/地区名称。例如，美利坚合众国应该通过获取子字符串 United States 来匹配美国，并且必须相应地带来国家/地区代码。
知道了。您需要导入 difflib 模块，然后运行此代码 df2.Country.map(lambda x: difflib.get_close_matches(x, df1.Country)[0]) （我已经编辑了我的原始答案）。这将在 df2 和 df1 中的 Country 列之间找到最接近的匹配项并返回。 .然后，您可以加入数据框。
对不起，它不能正常工作。它为“俄罗斯”返回“突尼斯”，它不想在灾难数据框中更改我的国家名称。但是当我尝试使用下面的代码来匹配国家名称countryinfo[countryinfo['ISOen_proper'].str.contains("Russia")] 但它返回整个数据框和它苹果不能在这里传递数据框。有人可以告诉我如何为整个数据框实现此功能并将iso代码映射到灾难数据框。
我修复了上面的一些代码 - 再试一次看看它是否有效。模糊匹配本质上是不完美的，因此它可能会返回一些不正确的匹配。如果您还在苦苦挣扎，请查看fuzzywuzzy 模块。