基于Pandas的公共列提取：两个DataFrame列生成与提取问题

观察DF1的数据规律，Column_3是Column_1和Column_2直接用空格拼接的结果，用Pandas可以通过以下两种方式实现：

方法1：字符串直接拼接 #

import pandas as pd

# 构造DF1示例数据
df1 = pd.DataFrame({
    'Column_1': ['Red Apple', 'Green fruit', 'Yellow Banana', 'Pink Mango'],
    'Column_2': ['small', 'Large', 'Medium', 'Tiny']
})

# 生成Column_3
df1['Column_3'] = df1['Column_1'] + ' ' + df1['Column_2']

方法2：使用str.cat()方法 #

df1['Column_3'] = df1['Column_1'].str.cat(df1['Column_2'], sep=' ')

两种方式最终得到的Column_3结果完全一致。

根据示例规则，n_col3需要提取颜色词、水果词、大小词（匹配DF1的格式），优先保留「颜色+水果」的组合，再补充大小词；若缺失某部分（如颜色），仅保留可用信息。

实现思路 #

1. 定义需要匹配的关键词集合：颜色（Red/Green/Yellow/Pink）、水果（Apple/fruit/Banana/Mango）、大小（small/Large/Medium/Tiny）
2. 用正则表达式从n_col1和n_col2的合并文本中，优先匹配「颜色+水果」的完整组合，再提取独立的水果词和大小词
3. 将提取到的有效内容按「颜色+水果（或单独水果）+ 大小」的顺序拼接

代码实现 #

import pandas as pd
import re

# 构造DF2示例数据
df2 = pd.DataFrame({
    'n_col1': ['L854 fruit Charlie', 'Red alpha 8 small', 'Mk43 Mango Beta', 'M40 Yellow Medium'],
    'n_col2': ['Green LTD Large', 'Tango G250 Apple', 'Tiny J448 T', 'Romeo Banana']
})

# 定义匹配规则
color_fruit_pattern = r'(Red|Green|Yellow|Pink)\s+(Apple|fruit|Banana|Mango)'
fruit_pattern = r'(Apple|fruit|Banana|Mango)'
size_pattern = r'(small|Large|Medium|Tiny)'

def generate_n_col3(col1, col2):
    full_text = f"{col1} {col2}"
    # 优先匹配颜色+水果的组合
    color_fruit_match = re.search(color_fruit_pattern, full_text)
    # 匹配大小词
    size_match = re.search(size_pattern, full_text)
    # 匹配单独的水果词（当没有颜色+水果组合时）
    fruit_match = re.search(fruit_pattern, full_text)
    
    result_parts = []
    if color_fruit_match:
        result_parts.append(color_fruit_match.group())
    elif fruit_match:
        result_parts.append(fruit_match.group())
    if size_match:
        result_parts.append(size_match.group())
    
    return ' '.join(result_parts)

# 应用函数生成n_col3
df2['n_col3'] = df2.apply(lambda row: generate_n_col3(row['n_col1'], row['n_col2']), axis=1)

运行结果 #

生成的n_col3与示例完全一致：

内容的提问来源于stack exchange，提问作者ar_mm18