如何用Python识别Excel列中值的多个超集与子集并导出结果

需求说明 #

现有Excel数据（结构如下），需要识别letter列中的子集与超集关系，并将子集-超集对应关系、去重后的超集列表分别导出为两个独立的Excel文件：

原始数据 #

规则与预期输出 #

• 子集判断规则：若集合A的所有元素都包含在集合B中，则A是B的子集（包括自身）
• 预期输出1（子集-超集关系表）：按超集分组，先列出超集行，再列出其所有子集行
• 预期输出2（超集列表）：去重后的所有最大集合（无其他集合能完全包含它）

实现代码（Python + Pandas） #

import pandas as pd

# 读取原始Excel文件，替换为你的文件路径
df = pd.read_excel("原始数据.xlsx")

# 预处理：将letter列转换为集合，方便子集/超集判断
df['letter_set'] = df['letter'].apply(lambda x: set([s.strip() for s in x.split(',')]))

# 识别所有超集：无其他集合能完全包含当前集合，且去重相同letter
supersets = []
seen_letters = set()
for idx, row in df.iterrows():
    current_set = row['letter_set']
    current_letter = row['letter']
    is_superset = True
    # 检查是否存在其他集合包含当前集合
    for other_set in df['letter_set']:
        if current_set != other_set and other_set.issuperset(current_set):
            is_superset = False
            break
    if is_superset and current_letter not in seen_letters:
        supersets.append(row)
        seen_letters.add(current_letter)

# 生成超集列表DataFrame
superset_df = pd.DataFrame(supersets)[['id', 'letter']]

# 生成子集-超集关系表
relation_rows = []
for sup in supersets:
    sup_set = sup['letter_set']
    # 先添加超集本身
    relation_rows.append({'id': sup['id'], 'letter': sup['letter']})
    # 添加所有属于该超集的子集（排除当前超集行）
    for idx, row in df.iterrows():
        if row['letter_set'].issubset(sup_set) and row.name != sup.name:
            relation_rows.append({'id': row['id'], 'letter': row['letter']})

relation_df = pd.DataFrame(relation_rows)

# 导出到Excel文件
relation_df.to_excel("子集-超集关系表.xlsx", index=False)
superset_df.to_excel("超集列表.xlsx", index=False)

print("文件导出完成！")

代码说明 #

1. 数据预处理：将letter列的字符串按逗号分割并转换为集合，利用集合的issubset和issuperset方法快速判断子集/超集关系
2. 超集识别：遍历每一行，检查是否存在其他集合完全包含当前集合，不存在则判定为超集，同时去重相同的letter值
3. 关系表生成：对每个超集，先添加超集行，再添加所有属于该超集的子集行，保证结构符合预期
4. 导出文件：将两个结果分别导出为Excel，不保留索引列

内容的提问来源于stack exchange，提问作者abcabc