如何使用 FuzzyWuzzy 检查从一列到其他多列的缺失词？

如何解决如何使用 FuzzyWuzzy 检查从一列到其他多列的缺失词？

我有一列 item_composition 包含不同的项目，我想检查 item composition 中的单词是否可以在另外 3 列中用于 ex A,B 。

item_composition	A	B
硬脂酸;锌；季戊四醇	季戊四醇	无

示例表：Example Sheet

在上表中，Stearic acid ; zinc 在 A 列和 B 列中均不可用，因此我应该在输出中打印 Stearic acid ; zinc

import pandas as pd
import numpy as np
from fuzzywuzzy import process,fuzz
ramen = pd.read_excel('Material_composition_costdriver_mapping_icis_ihs.xlsx')
ramen.head()


for col in ramen[['item_composition_in_english','formula_composition_list','composition_icis_index_matches','composition_ihs_index_matches']]:
    ramen[col] = ramen[col].str.strip()
    print('Number of unique values in ' + str(col) +': ' + str(ramen[col].nunique()))

我没有找到满足我要求的任何解决方案。任何帮助将不胜感激。

解决方法

您可以使用以下代码。这将创建两个集合并计算差异。值得注意的是，项目的顺序不一定是守恒的。如果这是一个问题，还有其他替代方法，但我发现这种方法非常简约且高效。

ramen = pd.DataFrame([['Stearic acid ; zinc ; Pentaerythritol','Pentaerythritol',None]],columns=['item_composition','A','B'])
ramen

def check_items(s):
    items = s['item_composition'].split(' ; ')
    ref_items = s.drop('item_composition')
    return ' ; '.join(set(items)-set(ref_items))

ramen.apply(check_items,axis=1)

输入：

                        item_composition                A     B
0  Stearic acid ; zinc ; Pentaerythritol  Pentaerythritol  None

输出：

0    zinc ; Stearic acid

编辑：这是一个更新版本，用于输入类似于您提供的文件的文件（我想不存在评论，也不存在“公式缺失索引”列），并将输出导出为带有额外列的 xlsx

def check_items(s,col='formula_composition_list',ref_columns=['A','B','C','D']):
    import re
    items = re.split(' *; *',s[col])
    ref_items = s[ref_columns].dropna().str.strip()
    return ' ; '.join(set(items)-set(ref_items))

files = ['example.xlsx'] ## add other files in list
                         ## or use another way to list files
                         ## such as the glob module

for f in files:
    df = pd.read_excel(f)
    df['formulae_missing_indices'] = df.apply(check_items,axis=1)
    df.to_excel(f[:-5]+'_out.xlsx')