Pandas 如何按名称分组筛选不含wikipedia.org链接的企业数据

你之前遇到的卡点核心是对groupby的使用场景存在误解：groupby 并非必须配套聚合操作才能使用，除聚合统计场景外，它还支持通过filter方法按组规则直接过滤原始数据，不需要产出聚合结果即可完成组级筛选。

操作步骤 #

• 逐行判断当前URL是否包含"wikipedia.org"，生成临时判断标记
• 按企业名称分组，保留所有关联URL均不含目标域名的企业分组
• 提取符合条件的企业名称，转换为目标列表格式

可直接复用的代码 #

第一步：生成逐行URL匹配标记 #

# 对域名中的点做正则转义，避免匹配误差
df['has_wiki'] = df['url'].str.contains(r'wikipedia\.org', na=False)

注：na=False 会将URL缺失值默认判定为不包含维基链接，避免空值干扰判断逻辑。

方法一：用groupby的filter方法直接筛选（无需额外聚合计算） #

# 按企业名分组，过滤规则：组内不存在任何带维基链接的记录
filtered_df = df.groupby('name').filter(
    lambda group: not group['has_wiki'].any()
)
# 提取去重后的企业名，生成目标格式列表
result = filtered_df['name'].unique().tolist()

这种方式不需要额外计算聚合统计值，直接输出符合条件的原始数据行，完全适配需求。

方法二：先做聚合统计再反向筛选 #

# 按企业分组，聚合计算每个企业是否至少存在1条维基链接
name_wiki_flag = df.groupby('name')['has_wiki'].any().reset_index()
# 筛选出无维基链接的企业，转成列表
result = name_wiki_flag.loc[name_wiki_flag['has_wiki'] == False, 'name'].tolist()

输出效果 #

当数据中存在如1-800-Flowers这类所有关联URL都不含维基链接的企业时，最终生成的result会输出为类似['1-800-Flowers']的列表格式，和预期一致。

内容的提问来源于stack exchange，提问作者Wing Shum