如何查找pandas DataFrame指定列的公共子串并替换对应单元格值

实现代码 #

直接运行以下代码即可得到预期结果：

import pandas as pd

# 构造原始测试数据
df = pd.DataFrame({
    "Solution Name": ["Cleanser", "Cleanser(1+2)", "Cleanserx3", "Trial", "Incremental Trial"],
    "Detail": ["ContentA", "ContentA", "ContentB", "ContentC", "ContentC"]
})

# 提取核心公共子串：筛选出被至少1个其他Solution Name包含的字符串
all_names = df["Solution Name"].unique()
core_keys = [s for s in all_names if sum(s in other for other in all_names if s != other) > 0]

# 将原Solution Name替换为匹配到的核心子串
df["Solution Name"] = df["Solution Name"].apply(
    lambda x: next((k for k in core_keys if k in x), x)
)

# 联合两列去重，保留Detail不同的行
df = df.drop_duplicates(subset=["Solution Name", "Detail"]).reset_index(drop=True)

结果验证 #

运行后打印df输出完全符合预期：

逻辑说明 #

• 核心子串识别不需要引入额外的字符串匹配库，直接利用子串包含关系判断：如果某个Solution Name值是其他至少一个值的子串，就认定为同组的统一公共子串
• 替换时逐行匹配第一个命中的核心子串即可，适配给出的所有样例场景
• 最后通过两列联合去重，自动过滤同组下同Detail的重复行，只保留Detail有差异的条目

内容的提问来源于stack exchange，提问作者Crazy