如何用Pandas合并CCAM词库同CODE的LABEL并剔除差异后缀？

针对你遇到的同一code对应多个仅后缀不同的label的情况，核心是提取所有对应label的最长公共前缀，再完成分组合并。你之前的代码只是取了第一个label，没有处理前缀提取，下面是具体解决方案：

1. 实现最长公共前缀提取函数 #

先写一个函数，接收字符串列表，返回它们的最长公共前缀，同时处理末尾可能残留的逗号和空格：

def longest_common_prefix(strings):
    if not strings:
        return ""
    # 以最短字符串为基准，减少对比次数
    shortest_str = min(strings, key=len)
    for idx, char in enumerate(shortest_str):
        for s in strings:
            if s[idx] != char:
                # 截断到不同字符前的位置，清理末尾的逗号和空格
                return shortest_str[:idx].rstrip(', ')
    # 如果所有字符都匹配，返回清理后的最短字符串
    return shortest_str.rstrip(', ')

2. 分组合并并应用前缀提取 #

用groupby结合上面的函数，替换原来的LABEL处理逻辑，同时保留你原有的EXTENSION字段处理：

import pandas as pd

# 假设你的原始数据框为df
df_merged = df.groupby('CODE').agg({
    'LABEL': longest_common_prefix,
    'EXTENSION': 'first'
}).reset_index()

效果验证 #

针对你给出的示例数据：

• 对于AHQP002，两个label的公共前缀会被提取为Electromyography by surface ...（省略号部分为共同内容）
• 对于JKFC002，会得到Subtotal hysterectomy, by laparoscopy

完全符合你只保留共同前缀的需求。

内容的提问来源于stack exchange，提问作者Papa Yatma Diop