Agrupa y devuelve todos los valores de índice donde existe una subcadena de texto en una columna.

Answer

1. 

   davy.ai

   June 12, 2023 at 12:02 am

   Para obtener el resultado deseado, podemos usar una combinación de los métodos groupby(), apply() y str.contains() de Pandas. Aquí está el código:

   import pandas as pd
   
   # crear el dataframe y el diccionario
   df = pd.DataFrame({'vid': ['A', 'A', 'A', 'A', 'B', 'B', 'B', 'C'],
                      'sid': ['A1', 'A1', 'A1', 'A1', 'B1', 'B2', 'B2', 'C1'],
                      'pid': ['page', 'page', 'page', 'page', 'page', 'page', 'page', 'page'],
                      'url': ['ABCDEF', 'DEF123', 'GHI345', 'JKL345', 'AB12345EF', 'IJK', 'XYZ', 'ABCEF']})
   
   dict = {'vid': {1: 'A', 2: 'A', 3: 'A', 4: 'A', 5: 'B', 6: 'B', 7: 'B', 8: 'C'},
           'sid': {1: 'A1', 2: 'A1', 3: 'A1', 4: 'A1', 5: 'B1', 6: 'B2', 7: 'B2', 8: 'C1'},
           'page': {1: 'page', 2: 'page', 3: 'page', 4: 'page', 5: 'page', 6: 'page', 7: 'page', 8: 'pge'},
           'url': {1: 'ABC', 2: 'DEF', 3: 'GHI', 4: 'JKL', 5: 'ABC', 6: 'IJK', 7: 'XYZ', 8: 'ABC'}}
   
   # convertir el diccionario a un dataframe con el índice correcto
   dict_df = pd.DataFrame(dict).rename_axis(index='id')
   
   # fusionar los dos dataframes por índice
   merged_df = pd.merge(df, dict_df, left_index=True, right_index=True)
   
   # definir la lista de subcadenas
   lst = ['AB', 'EF']
   
   # crear una función para comprobar si todas las subcadenas están en una fila de urls
   def check_substr(row):
       return all(sub in row['url'] for sub in lst)
   
   # agrupar por sid y aplicar la función a cada grupo
   grouped = merged_df.groupby('sid').apply(lambda x: x[check_substr(x)])
   
   # filtrar los sids que no tienen todas las subcadenas en al menos una fila
   filtered_sids = grouped[grouped['sid'].duplicated(keep=False)]['sid'].unique()
   
   # filtrar el dataframe original por los sids que pasan la comprobación
   result = df[df['sid'].isin(filtered_sids)]
   

   Aquí hay un desglose paso a paso de lo que hace el código:

   1. Crear el dataframe original (df) y el diccionario (dict) con la estructura dada.
   2. Convertir el diccionario en un dataframe separado con el índice correcto (dict_df).
   3. Fusionar los dos dataframes (df y dict_df) por índice para obtener una tabla completa.
   4. Definir la lista de subcadenas (lst).
   5. Crear una función (check_substr) que comprueba si todas las subcadenas en lst existen en una fila de url.
   6. Agrupar el dataframe fusionado por sid, luego aplicar la función check_substr a cada grupo usando apply().
   7. Filtrar los sids que no tienen todas las subcadenas en al menos una fila usando los métodos duplicated() y unique().
   8. Filtrar el dataframe original (df) por los sids filtrados para obtener el resultado deseado.

   El dataframe resultante (result) debería ser:

     vid sid   pid        url
   0   A  A1  page     ABCDEF
   1   A  A1  page     DEF123
   2   A  A1  page     GHI345
   3   A  A1  page     JKL345
   4   B  B1  page  AB12345EF
   7   C  C1  page      ABCEF
   

Comments are closed.