Python Pandas str.contiene() con hipervínculos en las filas

Question 1

Tengo dos pandas dataframes así:

df1

sitio	enlace
retailer_site1	https://www.retailer_site1.com
...	...
retailer_siteX	https://www.retailer_siteX.com

df2

sitio	enlace
retailer_site1	https://www.retailer_site1.com
...	...
retailer_siteY	https://www.retailer_siteY.com

Así que me quiero ir a través de df2 y buscar instancias de enlaces desde df2 en df1. Aquí está mi código:

    for row in df2['link'].astype(str):
        boolean_findings = df1['link'].str.contains(row)

Cuando imprimo boolean_findings, me estoy poniendo todas falsas, que sé que no puede ser verdad porque estoy viendo los partidos de local en mis archivos de excel:

boolean_findings
Falso
Falso
...
Falso

Lo que quiero saber es por qué el hipervínculo de texto de la cadena es de no ser correspondidos con su equivalente en el primer df, y ¿qué puedo hacer para que coincida con los sitios.

Question 2

"Me echó un vistazo y se dio cuenta algunos sitios web tienen un ( y ) incluye en sus enlaces, lo que podría estar lanzando fuera de los vínculos

Parece usted necesita sólo cuenta para alfanuméricos/caracteres de subrayado al comparar los enlaces, usted puede utilizar

df2["link"].str.replace(r'\W+','', regex=True).isin(
    df1["link"].str.replace(r'\W+','', regex=True))

El .str.replace(r'\W+','', regex=True) parte eliminará los caracteres que no sean letras, signos diacríticos, dígitos y el conector de los signos de puntuación (la más común caracter de subrayado, entre ellos) de los enlaces.

Wiktor Stribiżew · Answer 1 · 2021-10-23T10:27:53

"Me echó un vistazo y se dio cuenta algunos sitios web tienen un ( y ) incluye en sus enlaces, lo que podría estar lanzando fuera de los vínculos

Parece usted necesita sólo cuenta para alfanuméricos/caracteres de subrayado al comparar los enlaces, usted puede utilizar

df2["link"].str.replace(r'\W+','', regex=True).isin(
    df1["link"].str.replace(r'\W+','', regex=True))

El .str.replace(r'\W+','', regex=True) parte eliminará los caracteres que no sean letras, signos diacríticos, dígitos y el conector de los signos de puntuación (la más común caracter de subrayado, entre ellos) de los enlaces.

Tengo el siguiente error para regex en la sustituya: TypeError: replace() takes no keyword arguments. Cuando me quite la regex=True, no el error, pero no sustituirlo. Creo que voy a mirar en el re módulo para solucionar esto, pero gracias por ponerme en el camino correcto!
@GH asegúrese de utilizar la última versión de Pandas versión. pip install -U pandas. Este código ha sido probado en contra de sus datos y demostrado en el trabajo.

Python Pandas str.contiene() con hipervínculos en las filas

Pregunta

Mejor respuesta

En otros idiomas

Esta página está en otros idiomas

Popular en esta categoría

Las preguntas más habituales en esta categoría