求助：如何在DataFrame中新增匹配短产品路径的列

我来帮你搞定这个需求！你需要在第一个带完整页面路径的DataFrame里新增一列，匹配第二个DataFrame中的短产品路径，这里有两种实用的方法，根据你的路径格式选就行：

先构造示例数据（和你给出的一致） #

import pandas as pd

# 你的第一个DataFrame（带完整路径）
df_page_paths = pd.DataFrame({
    'PagePath': ['/product/123/sometext', '/product/234?someutminfo', '/product/112?whatever'],
    'Source': ['(Other)', '(Other)', '(Other)']
})

# 你的第二个DataFrame（短产品路径）
df_product_paths = pd.DataFrame({
    'Path': ['/product/123', '/product/234', '/product/345', '/product/456'],
    'Other stuff': ['Foo', 'Bar', 'Buzz', 'Lol']
})

方法一：正则提取匹配（适合路径格式固定的场景） #

如果你的短路径都是/product/数字这种固定格式，用正则提取效率最高：

# 从PagePath中提取出/product/xxx的基础路径部分
df_page_paths['matched_Path'] = df_page_paths['PagePath'].str.extract(r'(/product/\d+)')

# 要是还需要把df_product_paths里的其他信息也带过来，就用merge合并
final_df = df_page_paths.merge(df_product_paths, left_on='matched_Path', right_on='Path', how='left')

运行后，final_df里的matched_Path就是匹配到的短路径，没有匹配的会显示NaN，同时也会带上对应的Other stuff列。

方法二：灵活前缀匹配（适合路径格式不固定的场景） #

如果产品路径后面的内容格式多样（比如既有子目录又有URL参数），或者路径里不全是数字，用startswith来检查前缀更灵活：

def get_matching_short_path(full_path):
    # 遍历所有短路径，找第一个匹配前缀的
    for short_path in df_product_paths['Path']:
        if full_path.startswith(short_path):
            return short_path
    # 没有匹配的返回None
    return None

# 给df_page_paths新增匹配列
df_page_paths['matched_Path'] = df_page_paths['PagePath'].apply(get_matching_short_path)

# 同样可以合并获取其他信息
final_df = df_page_paths.merge(df_product_paths, left_on='matched_Path', right_on='Path', how='left')

这种方法不管完整路径后面是/sometext还是?xxx，只要开头和短路径一致就能匹配上。

最终效果 #

处理后的final_df会是这样：

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