我的单词在一个单元格中与想提取的单词混合在一起。如何提取单词或删除我不需要的单词？

Question

您好，我正在寻找Pandas或Excel中的解决方案。我有一个带有一个列的铺张表，其中包含由半洛龙隔开的单词，

apple - slice123; banana; apple - slice321; orange; citron; apple - slice345;

我想将“香蕉”，“橙色”和“ citron”提取到新的列中。

我寻找具有单词列表的令牌化和熊猫提取物，但找不到解决方案。

我的原始CSV包含1058行，所讨论的列有1个正确的单词（橙色等）和1个错误（Apple -Slicexyz），但也有5个正确的单词，最多可达100个错误。

我希望有人有一个想法解决这个问题。

编辑以进行澄清。

我在表中有1027行，但只有带有“水果”数据的列是相关的。我知道我在列

编辑中的某个地方有27种不同的水果：我添加了HTML表以进行澄清。单词列表用于从列数据中识别相关的“水果”，并在列数据中使用哪些水果的结果告诉我。

<style>
  table, th, td {
  border: 1px solid black;
  border-collapse: collapse; padding: 15px;
}
</style>



<table>
  <tr>
    <td><p><strong>Colunmn 1</strong></p></td>
    <td><p><strong>Colunmn 2</strong></p></td>
    <td><p><strong>Data</strong></p></td>
    <td><p><strong>Result</strong></p></td>
  </tr>

  <tr>
    <td><p>not relevant</p></td>
    <td><p>not relevant</p></td>
    <td><p>apple - slice123; banana; apple - slice321; orange; citron; apple - slice345</p></td>
    <td><p>banana; orange; citron</p></td>
  </tr>
  <tr>
    <td><p>not relevant</p></td>
    <td><p>not relevant</p></td>
    <td><p>apple - slice435; banana; apple - slice687; orange; citron; apple - slice334; mango; papaya</p></td>
    <td><p>banana; orange; citron; mango; papaya</p></td>
  </tr>
</table>

<p></p>

<table>

  <tr>
    <td><p> <strong>word list</strong><p></td>
  </tr>
  <tr>
    <td><p>banana</p></td>
  </tr>
  <tr>
    <td><p>orange<p></td>
  </tr>
  <tr>
    <td><p>citron<p></td>
  </tr>
  <tr>
    <td><p>mango<p></td>
  </tr>
  <tr>
    <td><p>papaya<p></td>
  </tr>
  
</table>

Answer 1

IIUC您可以这样做：

df = pd.DataFrame(
    {
        "Col2": ["not relevant", "not relevant"],
        "Data": [
            "apple - slice123; banana; apple - slice321; orange; citron; apple - slice345;",
            "apple - slice435; banana; apple - slice687; orange; citron; apple - slice334; mango; papaya",
        ],
    }
)
word_list = ['banana', 'orange', 'citron', 'mango', 'papaya']

two options:
a) 
df["Result"] = df["Data"].map(
    lambda s: ";".join(
        filter(None, [x.strip() for x in s.split(";") if "slice" not in x])
    )
)

b)
df["Result"] = df["Data"].map(
    lambda s: ";".join(
        filter(None, [x.strip() for x in s.split(";") if x.strip() in word_list])
    )
)

print(df['Result']

0                 banana;orange;citron
1    banana;orange;citron;mango;papaya
Name: Result, dtype: object

Answer 2

如果您拥有Excel 2019（或更高），并且第一个带有数据的单元格是A1，则可以使用

=TEXTJOIN("; ",TRUE,(FILTERXML("<c><e>"&SUBSTITUTE(A1,";","</e><e>")&"</e></c>","//e[node() and not(contains(., '-'))]")))

Excel 2013至2016，则可以使用以上的FilterXml（）部分，但必须以作为一个阵列公式，例如选择单元格B1：D1，在公式栏中输入公式，然后按Ctrl+Shift+Enter以确认它
（您正在选择3个单元格，因为您希望有3个结果）