如何实现DataFrame列间部分字符串匹配并提取匹配值？

问题场景 #

我有两个各包含2列的DataFrame，需要将df1的A列与df2的C列进行部分字符串匹配，并提取对应的匹配值。

示例数据 #

df1：

df2：

我之前尝试将df2的C列转成列表后与df1的A列对比，但没搞对部分匹配的逻辑，试的代码是：

dd= (df2['C'].str.upper()).unique().tolist()
df1['New'] = (df1['A'].str.upper()).apply(lambda x: ''.join([part for part in dd if part in x]))

期望输出 #

解决方案 #

你的代码逻辑反了：你是检查df2的C列转大写后是否是df1A列转大写的子串，但实际需要的是df1A列中的核心关键词出现在df2的C列字符串中（比如"Auxil"在"Auxil Company"里）。以下是几种可行的实现方式：

方法1：调整apply的匹配逻辑 #

直接遍历df2的C列，检查df1的A值是否与C值存在单词级的重叠匹配：

df1['New'] = df1['A'].apply(
    lambda x: next(
        (c for c in df2['C'] if any(word in c for word in x.split())),
        ''
    )
)

• 逻辑：对df1的每个A值，按空格拆分单词，遍历df2的C列，返回第一个包含A值中任意单词的C值；无匹配则返回空字符串。
• 优点：无需额外依赖，逻辑简单直接。

方法2：正则表达式精准匹配 #

如果需要明确匹配核心词（比如去掉Ltd、Solutions这类后缀），可以用正则实现精准匹配：

# 提取df1 A列的核心词（去除常见后缀）
df1['core_word'] = df1['A'].str.replace(r'\s+(Ltd|Solutions)$', '', regex=True)
# 生成匹配核心词的正则模式
match_pattern = '|'.join(df1['core_word'])
# 在df2中标记匹配的核心词
df2['matched_core'] = df2['C'].str.extract(f'({match_pattern})', expand=False)
# 合并两个DataFrame，关联匹配结果
df1 = df1.merge(df2[['matched_core', 'C']], left_on='core_word', right_on='matched_core', how='left')
# 整理最终列
df1['New'] = df1['C'].fillna('')
df1.drop(columns=['core_word', 'matched_core', 'C'], inplace=True)

• 优点：避免误匹配，适合核心词明确的场景。

方法3：模糊匹配（适用于相似度较高的字符串） #

如果字符串存在拼写差异但语义相近，可以用fuzzywuzzy库做模糊匹配：

from fuzzywuzzy import process

df1['New'] = df1['A'].apply(
    lambda x: process.extractOne(x, df2['C'], score_cutoff=70)[0] 
    if process.extractOne(x, df2['C'], score_cutoff=70) else ''
)

• 说明：score_cutoff=70表示匹配相似度超过70分才返回结果，可根据需求调整阈值。
• 依赖安装：执行pip install fuzzywuzzy python-Levenshtein安装所需库。

内容的提问来源于stack exchange，提问作者Pravin