数据挖掘中的数据抽取

Question

我的数据就像：

Names        Subsets    Subnames       SubNumber       Numbers
AE,AI,AK     OP,OP,DO   ABC,ABC,ABC    A-890,A891      9OP-A,98-OPB,8IC,87AC,58AP,7PL
AO,AI        DO,AP      KLM,ABC        P890            L97, 52PL
IK,LJ,MI     OP,OP,DO   IJK,IJK,OPQ    90AKI           87AU, 90OP,89JN

像这样的数据，

对于带有OP,OP,DO的子集，我需要以I结尾的名称编号。

就像。因为第一行有子集OP,OP,DO，而带有第一个索引的名称在末尾有字母I。因此，具有每个第一个索引98-OPB,58AP的数字是我需要的输出。(第一个索引意味着名称中有三个元素。因此，在第二个数字索引之后，第零指数再次开始)

Names        Subsets    Subnames       SubNumber       Numbers                         Output
AE,AI,AK     OP,OP,DO   ABC,ABC,ABC    A-890,A891      9OP-A,98-OPB,8IC,87AC,58AP,7PL  98-OPB,58AP
AO,AI        DO,AP      KLM,ABC        P890            L97, 52PL
IK,LJ,MI     OP,OP,DO   IJK,IJK,OPQ    90AKI           87AU, 90OP,89JN                 89JN

在第三行中，MI是第二个索引，因此这里需要具有第二个索引的数字89JN。

索引从零开始。

Answer 1

这本质上是一个for循环，因为您正在处理object dtype。你也许可以做一些小的改进，但我真的不知道如何从我的头脑中获得任何巨大的收获--这是一个非常混乱的“提取”逻辑：

def extract(row):
    names = row.Names.split(",")
    numbers = row.Numbers.split(",")
    idxs = {i for i, name in enumerate(names) if name[-1] == "I"}
    return ",".join(num for i, num in enumerate(numbers) if i % len(names) in idxs)

输出：

>>> df["Output"] = df[df["Subsets"] == "OP,OP,DO"].apply(extract, axis=1)
>>> df
      Names   Subsets     Subnames   SubNumber                         Numbers       Output
0  AE,AI,AK  OP,OP,DO  ABC,ABC,ABC  A-890,A891  9OP-A,98-OPB,8IC,87AC,58AP,7PL  98-OPB,58AP
1     AO,AI     DO,AP      KLM,ABC        P890                        L97,52PL          NaN
2  IK,LJ,MI  OP,OP,DO  IJK,IJK,OPQ       90AKI                  87AU,90OP,89JN         89JN

如果你不想要NaN

df["Output"] = df["Output"].fillna("")