在Pandas中比对JSON字符串并按匹配结果打API变更标签

先来理清楚核心逻辑：按照优先级判断——先看diff2是不是空值，再检查diff2里的所有API关键词是否都能在diff里找到，最后判断是否存在匹配但diff还有额外内容的情况。

具体实现步骤 #

1. 数据预处理 #

• 解析diff列的JSON：如果diff存的是JSON字符串，先转成Python可遍历的对象（字典/列表），之后转成字符串方便关键词匹配；要是已经是Python对象，直接转字符串就行。
• 提取diff2中的API关键词：因为diff2都是以API开头的文本，用正则提取所有API相关标识，比如API_xxx、API-xxx这类，正则可以根据实际文本格式调整。

2. 编写标记函数 #

写一个自定义函数，逐行处理DataFrame的数据：

import pandas as pd
import json
import re

def mark_compatibility(row):
    # 规则1：diff2为空值，直接标记为Non-Breaking
    if pd.isna(row['diff2']):
        return 'Non-Breaking'
    
    # 解析diff的JSON数据（如果是字符串格式的话）
    try:
        diff_data = json.loads(row['diff']) if isinstance(row['diff'], str) else row['diff']
        diff_str = json.dumps(diff_data)
    except json.JSONDecodeError:
        # 万一JSON解析失败，默认按非破坏性变更处理，可按需调整
        return 'Non-Breaking'
    
    # 从diff2中提取API关键词，正则可根据实际API格式修改
    api_keywords = re.findall(r'API[\w-]+', row['diff2'])
    if not api_keywords:
        # 没提取到关键词，按Non-Breaking处理
        return 'Non-Breaking'
    
    # 检查diff2的所有关键词是否都在diff里
    all_matched = all(keyword in diff_str for keyword in api_keywords)
    # 提取diff里的所有API关键词，对比是否有diff2没覆盖的内容
    diff_api_keywords = re.findall(r'API[\w-]+', diff_str)
    extra_in_diff = set(diff_api_keywords) - set(api_keywords)
    
    if all_matched and not extra_in_diff:
        # 规则2：所有关键词都匹配，且diff没有额外API变更，标记Breaking
        return 'Breaking'
    elif all_matched and extra_in_diff:
        # 规则3：关键词都匹配，但diff还有额外内容，标记Both
        return 'Both'
    else:
        # 有diff2的关键词不在diff里，按Non-Breaking处理，可按需调整
        return 'Non-Breaking'

3. 应用函数到DataFrame #

把上面的函数作用到DataFrame的每一行，生成新的标记列：

# 假设你的DataFrame名为df
df['compatibility_mark'] = df.apply(mark_compatibility, axis=1)

注意事项 #

• JSON解析适配：如果diff列本来就是Python字典/列表，直接跳过json.loads步骤，转成字符串就行。
• 正则规则调整：如果你的API命名格式特殊（比如带点号、下划线之外的符号），要修改正则表达式，确保能准确提取关键词。
• 精确匹配优化：如果需要更严谨的对比，不要只靠字符串匹配，可以解析diff的JSON结构，逐个核对变更项和diff2的关键词，这样结果更准确。

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