Mam 2 ramki danych:
df1 to lista skrzynek pocztowych i identyfikatorów e-mail
df2 pokazuje listę zatwierdzonych domen

Przeczytałem obie ramki danych z arkusza Excela

    xls = pd.ExcelFile(input_file_shared_mailbox)
    df = pd.read_excel(xls, sheet_name = sheet_name_shared_mailbox)

Chcę przechowywać tylko rekordy w df1, gdzie df1 [Email_Id] zawiera df2 [Approved_domain]

    print(df1)  
        Mailbox Email_Id  
    0   mailbox1   abc@gmail.com  
    1   mailbox2   def@yahoo.com  
    2   mailbox3   ghi@msn.com  

    print(df2)  
        approved_domain  
    0   msn.com  
    1   gmail.com  

I chcę df3, który w zasadzie pokazuje

    print (df3)  
        Mailbox Email_Id  
    0   mailbox1   abc@gmail.com  
    1   mailbox3   ghi@msn.com  

To jest kod, który mam teraz i myślę, że jest blisko, ale nie mogę znaleźć dokładnego problemu w składni

df3 = df1[df1['Email_Id'].apply(lambda x: [item for item in x if item in df2['Approved_Domains'].tolist()])]

Ale weź ten błąd

TypeError: unhashable type: 'list'

Spędziłem dużo czasu na szukaniu rozwiązania na forum, ale nie mogłem znaleźć tego, czego szukałem. doceniam wszelką pomoc.

1
A_K 1 kwiecień 2020, 05:43

3 odpowiedzi

Najlepsza odpowiedź

Oto kroki, które musisz wykonać, aby zrobić to, co chcesz zrobić dla dwóch ramek danych

1. Podziel kolumnę email_address na dwie oddzielne kolumny

     df1['add'], df1['domain'] = df1['email_address'].str.split('@', 1).str

2. Następnie upuść kolumnę dodawania, aby ramka danych była czysta

      df1 = df1.drop('add',axis =1)

3. pobierz nową ramkę danych zawierającą tylko żądane wartości, nie zaznaczając żadnej wartości w kolumnie „domain”, która nie pasuje do kolumny „valid_doman”

      df_new = df1[~df1['domain'].isin(df2['approved_domain'])]

4. Usuń kolumnę „domain” w df_new

      df_new = df_new.drop('domain',axis = 1)

Taki będzie wynik

    mailbox     email_address
1   mailbox2    def@yahoo.com
2   mailbox3    ghi@msn.com
2
Clarifai Support 1 kwiecień 2020, 04:07

Rozwiązanie

df1 = {'MailBox': ['mailbox1', 'mailbox2', 'mailbox3'], 'Email_Id': ['abc@gmail.com', 'def@yahoo.com', 'ghi@msn.com']}
df2 = {'approved_domain':['msn.com', 'gmail.com']}

mailboxes, emails = zip( # unzip the columns
    *filter( # filter 
        lambda i: any([  # i = ('mailbox1', 'abc@gmail.com')
            approved_domain in i[1] for approved_domain in df2['approved_domain']
        ]),
        zip(df1['MailBox'], df1['Email_Id']) # zip the columns
    )
)

df3 = {
    'MailBox': mailboxes, 
    'Email_I': emails
}
print(df3)

Wynik:

> {'Email_ID': ('abc@gmail.com', 'ghi@msn.com'), 'MailBox': ('mailbox1', 'mailbox3')}                                                                                                                                                             

Kilka uwag:

Duża część tego kodu służy w zasadzie tylko do analizowania struktury danych. Pakowanie i rozpakowywanie służy tylko do konwersji listy kolumn na listę wierszy iz powrotem. Jeśli masz już listę wierszy, wystarczy wykonać część filtrującą

1
Community 20 czerwiec 2020, 09:12

Możesz użyć dynamicznie utworzonego wyrażenia regularnego, aby wyszukać prawidłową domenę na liście i ostatecznie ją odfiltrować.

Oto kod do naszego odniesienia.

 # -*- coding: utf-8 -*-

import pandas as pd
import re

mailbox_list = [
        ['mailbox1', 'abc@gmail.com'],
        ['mailbox2', 'def@yahoo.com'],
        ['mailbox3', 'ghi@msn.com']]

valid_domains = ['msn.com', 'gmail.com']

df1 = pd.DataFrame(mailbox_list, columns=['Mailbox', 'EmailID'])
df2 = pd.DataFrame(valid_domains)

valid_list = []

for index, row in df1.iterrows():
    for idx, record in df2.iterrows():
        if re.search(rf"@{record[0]}", row[1], re.IGNORECASE):
            valid_list.append([row[0], row[1]])

df3 = pd.DataFrame(valid_list, columns=['Mailbox', 'EmailID'])
print(df3)

Wynik tego jest:

    Mailbox        EmailID
0  mailbox1  abc@gmail.com
1  mailbox3    ghi@msn.com
2
Anidhya Bhatnagar 1 kwiecień 2020, 04:54