基于Pandas（Python）的交易数据文本分类实现求助

嘿，你的思路方向是对的，但得先明确基础标签词的范围——也就是那些单独作为description出现的词（比如foo、bar、baz）。从你的期望输出能看出来，像foobar这种组合成的单个词是要作为独立标签的，而foo bar这种空格分隔的多词则需要拆分后匹配基础标签。

下面是具体的实现步骤和代码：

1. 提取基础标签词 #

首先筛选出所有description是单个词的行，然后提取这些词的唯一值作为我们的基础标签集合：

import pandas as pd

# 构造你的示例数据
data = {
    'description': ['foo', 'bar', 'baz', 'foo bar', 'foobar', 'bar baz', 'bazbar'],
    'amount': [10, 5, 9, 12, 15, 20, 19]
}
df = pd.DataFrame(data)

# 提取单个词的description，生成基础标签集合
base_tags = set(df[df['description'].str.split().str.len() == 1]['description'].unique())

2. 编写函数生成tag列 #

我们可以写一个简单的自定义函数，对每一行的description做判断处理：

• 如果是空格分隔的多词：拆分后筛选出属于基础标签的词，用逗号连接起来
• 如果是单个词：直接用这个词本身作为tag（不管它是不是基础标签，比如foobar这种新词）

def get_tag(desc):
    words = desc.split()
    if len(words) > 1:
        # 多词情况：只保留在基础标签里的词，用逗号拼接
        matched_tags = [word for word in words if word in base_tags]
        return ', '.join(matched_tags)
    else:
        # 单个词情况：直接返回原词
        return desc

# 把函数应用到description列，生成tag列
df['tag'] = df['description'].apply(get_tag)

最终结果 #

运行上面的代码后，你就能得到完全符合期望的DataFrame：

description  amount        tag
0         foo      10        foo
1         bar       5        bar
2         baz       9        baz
3     foo bar      12  foo, bar
4      foobar      15     foobar
5     bar baz      20  bar, baz
6      bazbar      19     bazbar

小补充 #

如果你的实际数据里有标点符号、大小写不一致这类情况，可以先对description做简单清洗（比如去除标点、统一转成小写），再执行上面的步骤，结果会更准确。

内容的提问来源于stack exchange，提问作者Kvothe