El problema no es de Pandas, sino de juntar los cinco textos en uno solo. Una vez formado el texto, agregarlo al dataframe es trivial.
El método para juntar y producir algo razonablemente coherente es el siguiente:
Las frases se desglosan en palabras. Cada frase es una lista de palabras y el conjunto de frases forma una matriz irregular. Formalmente, tenemos una lista de listas.
Se analiza la primera columna y se selecciona la palabra más frequente. Esa palabra es ahora parte de la salida. A continuación se arma una submatriz con todas las líneas que contiene la palabra más frecuente en la primera columna, y se aplica recursivamente el procedimiento hasta dejar vacia la matriz.
El código es:
def mas_frecuente(lista):
""" Retorna la palabra más frecuente en la lista
@param lista: lista de palabras.
@return string, la palabra más frecuente.
"""
ord = [[lista.count(word), word] for word in lista]
return max(ord)[1]
def juntar(lista):
""" Junta una lista de frases.
@param lista: Una lista de frases.
@return string, todas las frases resumidas en una sola.
"""
matriz = [frase.split() for frase in lista]
salida = procesar(matriz)
return " ".join(salida)
def procesar(matriz):
""" Procesa una matriz de frases.
@matriz: Una lista de frases. Cada fila contiene una frase
expresada como una lista de palabras.
@return: Una lista de palabras que reune todas las frases.
"""
salida = []
while True:
#
# Seleccionar primer palabra en primera columna.
#
columna = [row[0] for row in matriz if len(row)]
if len(columna) == 0:
break
#
# Buscar palabra más comùn y agregarla a la frase de salida.
#
salida.append(mas_frecuente(columna))
#
# Eliminar la palabra de la primera columna
# Armar una submatriz con aquellas filas que
# contengan la palabra mas frecuente, y aplicar
# el proceso recursivamente.
#
nueva = []
for index in range(len(matriz)):
row = matriz[index]
largo = len(row)
if largo and row[0] == salida[-1]:
row.pop(0)
if largo > 1:
nueva.append(row)
matriz[index] = []
salida.extend(procesar(nueva))
#
# Terminar la frase de salida con todos los textos restantes.
#
salida.extend([row for row in matriz if len(row)])
return salida
Comprobación
Hicimos este programa de prueba
lista1 = ["Pedro Perez tiene gripe",
"Pedro Perez tiene gripe y toz",
"Pedro Perez debe ir al mèdico",
"Pedro Perez",
"Pedro"
]
lista2 = ["María",
"María lleva el cubo al establo",
"María lleva la vaca al establo",
"María quiere ordeñar",
"María quiere desayunar"
]
lista3 = ["Juana",
"María",
"Juana y María toman té",
"van juntas al colegio",
"María es más alta"
]
for test in [lista1, lista2, lista3]:
print(juntar(test))
que arroja estos resultados:
candid@dell ~ $ python3 juntar.py
Pedro Perez tiene gripe y toz debe ir al mèdico
María quiere ordeñar desayunar lleva la vaca al establo el cubo al establo
María es más alta Juana y María toman té van juntas al colegio
Los resultados son un poco surrealistas. Tal vez el código pueda servir para crear poesía dadaista.
pandas
es unmerge
, y se usa en dos dataframes distintos. Entiendo que como son varias columnas en un solo dataframe, no es realmente lo que buscas, correcto?