基于s开头匹配码从两个Pandas DataFrame提取对应文件并合并的需求

现有两个Pandas DataFrame：df1和df2，各包含一列数据：

• df1的列名为Text_File_Location，存储文本文件路径（示例：/home/mzkhan/2.0.0/files/p15/p15546261/s537061.txt）
• df2的列名为Image_File_Location，存储图像文件路径（示例：/media/mzkhan/external_dr/radiology_image/2.0.0/files/p10/p10000032/s537061/xxx.jpg）

已知df2的文件数量多于df1，需要以路径中以字母s开头的字母数字匹配码（如s537061、s586955）为匹配依据，提取两个DataFrame中匹配的文件路径，合并到新的DataFrame的两列中。

1. 提取匹配码 #

用正则表达式从两个路径列中精准提取s开头的匹配码：

import pandas as pd
import re

# 从df1的文本路径中提取匹配码
df1['match_code'] = df1['Text_File_Location'].apply(lambda x: re.search(r's\d+', x).group())

# 从df2的图像路径中提取匹配码
df2['match_code'] = df2['Image_File_Location'].apply(lambda x: re.search(r's\d+', x).group())

2. 合并匹配记录 #

通过内连接只保留两边都存在匹配码的记录，最后整理成需要的列结构：

# 内连接，仅保留匹配成功的记录
merged_df = pd.merge(df1, df2, on='match_code', how='inner')

# 仅保留路径列，剔除中间生成的匹配码列
merged_df = merged_df[['Text_File_Location', 'Image_File_Location']]

可选处理：去重图像路径 #

如果df2中同一个匹配码对应多个图像路径，可先对df2去重，只保留每个匹配码对应的第一条图像路径：

# 按匹配码去重，保留第一个出现的图像路径
df2_unique = df2.drop_duplicates(subset='match_code', keep='first')
merged_df = pd.merge(df1, df2_unique, on='match_code', how='inner')

内容的提问来源于stack exchange，提问作者user10019553