如何在Pandas中使用含通配符的查找表实现数据分类？

我已经找了好几天的解决方案，在其他论坛都没找到类似的案例。现在我需要通过一个带通配符的查找表来给输入数据做分类，分类维度包括大洲（Continent）、国家（Country）和城市（City），有些分类只需要用到部分维度。这里的通配符规则是：

• 单星号*：匹配该维度下的所有值（比如法国所有城市都归类为"France"）
• 双星号**：匹配该维度下排除已精确指定后的剩余值（比如美国除纽约、旧金山外的所有城市归类为"USA - Other"）

查找表示例代码 #

import pandas as pd

lookup_df = pd.DataFrame({
    'Continent': ['Europe', 'Europe', 'Asia', 'America', 'America', 'America', 'America', 'Africa'],
    'Country': ['France', 'Italy', 'Japan', 'USA', 'USA', 'USA', 'Argentina', '*'],
    'City': ['*', '*', '*', 'New York', 'San Francisco', '**', '*', '*'],
    'Classification': ['France', 'Italy', 'Japan', 'USA - NY', 'USA - SF', 'USA - Other', 'Argentina', 'Africa']
})

待分类数据示例代码 #

df = pd.DataFrame({
    'Continent': ['Europe', 'Europe', 'Asia', 'America ', 'America', 'America', 'Africa'],
    'Country': ['France', 'Italy', 'Japan', 'USA', 'USA', 'USA', 'Egypt'],
    'City': ['Paris', 'Rome', 'Tokyo', 'San Francisco', 'Houston', 'DC', 'Cairo']
})

我希望能得到对应的分类结果，但没法生成全球全量城市表，而且这个查找表还要兼容其他流程，想问问有没有Python风格的实现方式？我试过用pd.merge但没找到合适的示例。

我之前也碰到过类似的多维度通配符匹配需求，直接用pd.merge确实不太好使，因为它主要是做精确匹配的。咱们可以写个自定义的匹配函数，按照精确匹配优先，通配符匹配次之的顺序来处理每一行数据，完美适配你的规则。具体思路如下：

1. 先处理精确匹配的规则（比如纽约、旧金山这类明确指定城市的）
2. 再处理单星号*的通配规则（比如法国所有城市、意大利所有城市）
3. 最后处理双星号**的规则（也就是排除已匹配的剩余项）

完整实现代码 #

import pandas as pd

def get_classification(row, lookup_df):
    # 先匹配精确规则（包含精确城市和城市通配符*，优先精确城市）
    exact_match = lookup_df[
        (lookup_df['Continent'] == row['Continent'].strip())  # 清理数据里的空格，避免匹配失败
        & (lookup_df['Country'] == row['Country'])
        & (lookup_df['City'].isin([row['City'], '*']))
    ]
    if not exact_match.empty:
        # 优先返回精确城市的匹配结果
        city_exact = exact_match[exact_match['City'] == row['City']]
        if not city_exact.empty:
            return city_exact.iloc[0]['Classification']
        # 没有精确城市则返回城市通配符*对应的分类
        else:
            return exact_match[exact_match['City'] == '*'].iloc[0]['Classification']
    
    # 处理双星号**的规则：匹配大洲和国家，且City为**的项
    wildcard_match = lookup_df[
        (lookup_df['Continent'] == row['Continent'].strip())
        & (lookup_df['Country'] == row['Country'])
        & (lookup_df['City'] == '**')
    ]
    if not wildcard_match.empty:
        return wildcard_match.iloc[0]['Classification']
    
    # 最后处理大洲级别的*规则（比如Africa的Country为*的情况）
    continent_wildcard = lookup_df[
        (lookup_df['Continent'] == row['Continent'].strip())
        & (lookup_df['Country'] == '*')
        & (lookup_df['City'] == '*')
    ]
    if not continent_wildcard.empty:
        return continent_wildcard.iloc[0]['Classification']
    
    # 兜底：如果没有匹配到任何规则，返回"Unclassified"
    return "Unclassified"

# 应用函数到待分类数据
df['Classification'] = df.apply(lambda x: get_classification(x, lookup_df), axis=1)

print(df)

输出结果 #

运行后你会得到符合预期的分类结果：

Continent Country          City Classification
0    Europe  France         Paris          France
1    Europe   Italy          Rome           Italy
2      Asia   Japan         Tokyo           Japan
3   America     USA  San Francisco       USA - SF
4    America     USA        Houston    USA - Other
5    America     USA            DC    USA - Other
6    Africa   Egypt          Cairo          Africa

补充说明 #

• 函数里特意处理了数据中可能存在的空格（比如示例里的"America "），用.strip()做了清理，避免因为格式问题导致匹配失败
• 匹配顺序是关键：精确城市 > 城市通配符* > 双星号** > 大洲通配符，这样能保证优先级高的规则先被匹配
• 最后加了兜底的"Unclassified"，方便你快速识别没有匹配到规则的数据

内容的提问来源于stack exchange，提问作者user11209442