Python -用大熊猫从excel中进行数据的匹配和提取

Question

我正在编写一个python脚本，它可以自动为我打一些电话。我有一个测试工具，可以与REST交互。我需要选择一个特定的载体，根据哪个国家的代码被输入。假设我的用户在我的excel文档中输入12145221414，我想选择AT&T作为载体。如何接受表第一列的输入，然后输出第二列中的内容？

显然，这会变得有点棘手，因为我需要匹配电话号码前面的3-4位数字。我的计划是编写一个函数，然后取初始数字，然后插入那个国家需要使用的载体。

知道如何从表中提取这些数据吗？如果你进入巴巴多斯(1246)，那么我该怎么做才能选择Lime而不是AT&T？

这是到目前为止我的代码和表。我不知道如何读取一个表，然后从该表中提取数据以用于我的匹配函数。

testlist.xlsx

| Number |
|:------------|
|8155555555|
|12465555555|
|12135555555|
|96655555555|
|525555555555|

carriers.xlsx

| countryCode | Carrier |
|:------------|:--------|
|1246|LIME|
|1|AT&T|
|81|Softbank|
|52|Telmex|
|966|Zain|

import pandas as pd
import os

FILE_PATH = "C:/temp/testlist.xlsx"
xl_1 = pd.ExcelFile(FILE_PATH)
num_df = xl_1.parse('Numbers')

FILE_PATH = "C:/temp/carriers.xlsx"
xl_2 = pd.ExcelFile(FILE_PATH)
car_df = xl_2.parse('Carriers')


for index, row in num_df.iterrows():

Answer 1

让我们假设以下输入：

>>> df1
         Number
0    8155555555
1   12465555555
2   12135555555
3   96655555555
4  525555555555

>>> df2
   countryCode   Carrier
0         1246      LIME
1            1      AT&T
2           81  Softbank
3           52    Telmex
4          966      Zain

首先，我们需要重做一点df2，以便按降序对countryCode排序，使其成为字符串，并将其设置为索引。

后面的诀窍是将countryCode 按降序排序。这将确保较长的国家代码(如"1246“)在”1“等较短的国家代码之前匹配。

>>> df2 = df2.sort_values(by='countryCode', ascending=False).astype(str).set_index('countryCode')
>>> df2
              Carrier
countryCode          
1246             LIME
966              Zain
81           Softbank
52             Telmex
1                AT&T

最后，我们使用从国家代码按降序提取最长代码的正则表达式(此处为'1246|966|81|52|1'使用'|'.join(df2.index))，并将其映射到载波：

(df1.astype(str)['Number']
    .str.extract('^(%s)'%'|'.join(df2.index))[0]
    .map(df2['Carrier'])
)

产出：

0    Softbank
1        LIME
2        AT&T
3        Zain
4      Telmex
Name: 0, dtype: object

注意：若要将其添加到初始数据中，请执行以下操作：

df1['carrier'] = (df1.astype(str)['Number']
                     .str.extract('^(%s)'%'|'.join(df2.index))[0]
                     .map(df2['Carrier'])
                 ).to_clipboard(0)

产出：

         Number   carrier
0    8155555555  Softbank
1   12465555555      LIME
2   12135555555      AT&T
3   96655555555      Zain
4  525555555555    Telmex

Answer 2

我只能想出一个低效的解决办法。

首先，按国家代码的字母顺序对载体的数据框架进行排序。这样，较长的前缀将更接近开始。

codes = xl_2.sort_values('countryCode', ascending=False)

接下来，定义一个函数，该函数与第二个数据帧中的每个国家代码相匹配，并找到第一个匹配(如果有的话)的索引(请记住，该匹配是最长的)。

def cc2carrier(num):
    matches = codes['countryCode'].apply(lambda x: num.startswith(x))
    if not matches.any(): #Not found
        return np.nan
    return codes.loc[matches.idxmax()]['Carrier']

现在，将该函数应用于numbers dataframe：

xl_1['Number'].apply(cc2carrier)
#1    Softbank
#2        LIME
#3        AT&T
#4        Zain
#5      Telmex
#Name: Number, dtype: object

Answer 3

如果我正确地理解了它，您只需要从输入列(Number)中获取第一个字符，然后将其与carriers.xlsx的第二个dataframe匹配。

提取数字列的第一个字符。提示: nbr_of_chars变量应该基于carriers.xlsx中列countryCode的最大字符长度

nbr_of_chars = 4
df.loc[df['Number'].notnull(), 'FirstCharsColumn'] = df['Number'].str[:nbr_of_chars]

然后，使用dataframe联接进行匹配应该是相当容易的。