1

Quisiera saber cómo comprobar que la suma (o concantenación) de un dato y su contiguo en formato string (o de texto) perteneciente a un df esté en otro df, y en tal caso me concatene las palabras que sí estén. Es decir, que si la composición de cada i con i+1 en tabla1 está en tabla2 obtenga lo de tabla3. Intenté haciendo un antijoin pero no pude, no sé mucho.

introducir la descripción de la imagen aquí

Tabla1

id palabra
0 no
0 podré
0 hoy
1
1 es
1 posible

Tabla2

compuesto
no podré
es posible

Tabla3

id palabra
0 no_podré
0 hoy
1
1 es_posible
17
  • has utilizado el método .isin()??
    – Christian
    Commented el 7 ene. 2022 a las 3:12
  • Sí pero solo sé para elementos individuales o en tal caso del mismo df , no sabría como aplicarlo en un for para que me haga todo el recorrido en los df. Gracias Commented el 7 ene. 2022 a las 3:15
  • podrías colocar tus dataframes como texto por favor? así se me facilitará trabajar en una respuesta
    – Christian
    Commented el 7 ene. 2022 a las 3:17
  • Dale, ya lo hago, soy nuevo y no sé ponerlos jajaj, pero ya voy Commented el 7 ene. 2022 a las 3:20
  • Creo que ya, o te refieres a crear cada base como csv y subirlo? Commented el 7 ene. 2022 a las 3:26

1 respuesta 1

2

Para hacer lo que quieres tendremos que crear una función que se encargue de ese trabajo. Para poder obtener la concatenación o la palabra que no está tendremos que transformar los datos en "conjuntos" y hacer operaciones de conjuntos, como lo es la diferencia.

En python no existen los conjuntos pero si podemos aplicar las operaciones en los set que son un tipo de dato representados así: {val1, val2, val3}, sus elementos son únicos.

Para poder obtener la palabra que no está entre otras 2 tan solo debemos convertir a set cada dato y restar, por ejemplo {"hola", "mundo"} - {"mundo"} dará {"hola"}.

Para hacer esta conversión usaremos un ciclo for y el método apply para poder aplicarle una transformación a ciertos datos.

def create_df_from_coincidences(df1, df2, **kwargs)->pd.DataFrame:
    data=[]
    for i in range(len(df1)-1):
        word_1 = df1.loc[i, "palabra"]
        word_2 = df1.loc[i+1, "palabra"]

        if any(df2.loc[:,"compuesto"].isin([f"{word_1} {word_2}"])):
            data.append(f"{word_1}_{word_2}")
        else:
            word_encountered = sorted([{word_1, word_2}- word_table for word_table in df2.loc[:,"compuesto"].apply(lambda x: set(x.split(" ")))])
            if len(word_encountered[0])==1:
                data+=list(word_encountered[0])

    return pd.DataFrame(data, **kwargs)

Esta función toma como argumento 2 dataframes, se itera en el rango de 0 hasta len(df)-1 debido a que iremos comprando i concatenado con i+1 y al llegar al último nos pasaremos del rango, por eso iteramos hasta len(df)-1. Luego accedemos al contenido de esas celdas, es decir a i e i+1 y guardamos esos datos, luego concatenamos esos datos y usamos isin para verificar si están contenido en alguna parte del segundo dataframe (tabla 2). Aquí usamos la función any pues al usar ìsin se nos devuelve una serie con valores booleanos (no solo uno) y al usar un condicional con una serie de booleanos pandas entra en conflicto ya que no sabe a que dato te refieres, por eso usamos any para verificar que por lo menos 1 dato sea True. En caso la concatenación de las 2 palabras no esté, entonces tendremos que hallar la palabra que no está, para ello convertimos cada elemento del DataFrame 2 en un set y hallamos la diferencia, luego simplemente guardamos el dato.

Para tu ejemplo he recreado tus DataFrames y los he usado con mi función.

cols = ["id", "palabra"]
data =[
       [0, "no"],
       [0, "podré"],
       [0, "hoy"],
       [1, "sí"],
       [1, "es"],
       [1, "posible"]
]

df1 = pd.DataFrame(data, columns=cols)
cols2=["compuesto"]

data2 = [
         ["no podré"],
         ["es posible"]
]
df2 = pd.DataFrame(data2, columns=cols2)


final = create_df_from_coincidences(df1, df2)

La función también recibe argumentos variables y estos argumentos adicionales son para pandas, donde puedes especificar datos adicionales de como quieres que quede tu dataframe, puedes agregar nombre a la columna o indices, recuerda que esto debe ser acorde a pandas, pues todo esto lo realiza pandas. Por tanto podemos escribir:

final = create_df_from_coincidences(df1, df2, columns=["datas"], index=[1,2,3,4])

Y obtendremos:

datas
1 no_podré
2 hoy
3
4 es_posible
4
  • Holaa,muchas gracias por todo, me salvaste. Voy a ver si no presento inconvenientes aplicando esta gran solución, gracias de nuevo (voté bien la respuesta pero como soy nuevo no la toma, no sé si eso te importe mucho) Commented el 18 ene. 2022 a las 2:51
  • me importa más haberte ayudado y que no te hayas quedado estancado. Cualquier inconveniente que tengas me lo haces saber y te ayudaré en lo posible
    – Christian
    Commented el 18 ene. 2022 a las 3:00
  • Me sirvió mucho, muchas muchas gracias. Tengo una duda que de pronto sabes, cómo podría hacer para que el index con el que sale la tabla 3 sean la de los de tabla 1( lo que se llama id). y pues si es un compuesto( la suma de las dos palabras) sea el id del primer elemento del compuesto Commented el 29 ene. 2022 a las 22:29
  • Si se puede, en cuanto pueda edito la respuesta
    – Christian
    Commented el 29 ene. 2022 a las 22:34

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.