匹配字符串和计数频率

Question

我有一份公司及其子公司的名单，数据如下：

CompanyName            Employees
Microsoft China          1
Microsoft India          1
Microsoft Europe         1
Apple Inc                1
Apple Data Inc           1
Apple Customer Service Inc   1
Data Corp                1
Data SHCH                1
Data India               1
City Corp                1
Data City                 1

如果两个公司有相同的词（例如苹果公司和苹果数据公司），则它们被视为一个公司。我将这些公司归为一组，并计算它们的员工总数

The expected return should be:
Company     Employees
Microsft     3
Apple        3
Data         3
City         2 

1. 公司将返回常用词
2. 员工返回公司及其子公司的总额

在这种情况下，熊猫的大部分功能实际上不起作用。关于For Loop有什么建议吗？

Answer 1

• 按照你在评论中的要求
  • 如果公司始终是CompanyName中的第一个单词

# extract company as word at index 0
df.CompanyName = df.CompanyName.str.split(expand=True)[0]

# groupby company name and count
dfg = df.groupby('CompanyName').agg({'CompanyName': 'count'})

# display(dfg)
             CompanyName
CompanyName             
Apple                  3
City                   1
Data                   4
Microsoft              3

Answer 2

我不认为有一个“非常”简单的方法来做你想做的事。但也不太复杂

首先，您需要明确定义~标准，以确定哪些名称是相同的“公司”。 我们可以尝试“获得第一世界，看看它是否匹配”，显然这不是一个完美的方法，但现在就可以了

然后，您可以创建一个对象来存储新数据。我推荐一本字典，里面有company: (total employees)这样的词条

现在，您将使用apply和一个函数遍历数据帧的行，以执行您想要的操作。看起来是这样的：

dict = {}

def aggregator(row):
    word1 = row.company.split(" ")[0]
    
    if word1 in dict.keys:
       dict[word1] += row.employees

    else:
        dict[word1] = row.employees

dataframe.apply(aggregator, axis = 1)