如何基于两个Pandas DataFrame的词组合生成匹配标记列

1. 先还原你的两个DataFrame #

import pandas as pd

# 构造DataFrame A
df_a = pd.DataFrame({
    'x': ['a', 'b'],
    'disc': ["'tall', 'short', 'medium'", "'small', 'long', 'short'"]
})

# 构造DataFrame B
df_b = pd.DataFrame({
    'y': ["'tall',  'short'", "'short', 'long'", "'small', 'tall'"]
})

2. 预处理数据格式 #

把列里的字符串形式词列表转换成集合，方便后续做包含性判断：

# 处理df_a的disc列，提取所有词并转成集合
df_a['disc_set'] = df_a['disc'].apply(lambda s: {word.strip().strip("'") for word in s.split(',')})

# 处理df_b的y列，同时生成对应的列名（用空格连接词）
df_b['word_set'] = df_b['y'].apply(lambda s: {word.strip().strip("'") for word in s.split(',')})
df_b['col_name'] = df_b['y'].apply(lambda s: ' '.join([word.strip().strip("'") for word in s.split(',')]))

3. 生成标记列并合并结果 #

遍历df_b中的每个词组合，判断df_a的disc列是否包含该组合的所有词，是则标记1，否则标记0：

# 逐个处理每个词组合，添加新列
for idx, row in df_b.iterrows():
    col_name = row['col_name']
    target_words = row['word_set']
    df_a[col_name] = df_a['disc_set'].apply(lambda x: 1 if target_words.issubset(x) else 0)

# 移除中间辅助列，得到最终结果
final_df = df_a.drop('disc_set', axis=1)

最终输出结果 #

关键说明 #

• 用集合的issubset()方法可以高效判断目标词组合是否全部包含在disc的词集合中
• 先把字符串格式的词列表转成集合，大幅简化了包含性判断的逻辑
• 列名直接用空格连接组合内的词，完全匹配你要求的格式

内容的提问来源于stack exchange，提问作者user18325356