根據共享值對行進行分組

Question

我從用戶提交的表單中獲取包含大量行的CSV。每一行都包含一個用戶電子郵件和一個字段，供他們在其組中列出其他用戶電子郵件。到目前爲止，我已經使用Python和熊貓編寫了一個簡短的腳本，將CSV加載到數據框中並清理條目。

我想分組排序的行，但我遇到了一些概念問題。由於它是用戶輸入的，因此列表不一定是完整的或拼寫正確的。處理這個問題的最好方法是什麼？我完全不熟悉解析這樣的數據，而是總體上缺乏經驗。

下面是一些例子的數據顯示我的意思：

email,group 
user1@a.com, "['user4@b.com','user3@c.com']" 
user2@a.com, 
user3@c.com, "['user1@a.com']" 
user4@b.com, "['user1@a.com','user3@b.com']" 

所以在這裏用戶1，用戶3，和USER4是在一組。問題是user3只列出了user1。

我的第一個想法是將提交用戶的電子郵件追加到組列表中，然後按字母順序對列表和列進行排序。但是，只有在每個人的組條目都完整的情況下才有效。

我不想親手挑選200個小組，但是我失去了如何繼續。 這是我目前的計劃在僞代碼：

data # dataframe containing imported CSV 
sorted_groups # result dataframe with equivalent rows, but sorted into groups 
sort(data) by len(data[group]) 
for each row in data: 
    append row to sorted_groups 
    search for rows where email == entry in groups 
    append matching rows to sorted_groups 
    remove matching rows from data 
    remove initial row from data 

這必將對拼寫錯誤失敗，如果至少有一個人的組中得到的一切權利纔有效。不過，這是目前我擁有的最好的。

感謝您花時間閱讀本文。請讓我知道，如果我能澄清任何事情，並指出我在正確的方向！

Answer 1

我不確定你的數據是如何存儲的，所以我假設你有一行數據列表，並且每行都包含了表單中輸入的所有電子郵件地址。例如，

rows = [['user1@a.com','user4@b.com','user3@c.com'], 
     ['user2@a.com'], 
     ['user3@c.com', 'user1@a.com'], 
     ['user4@b.com','user1@a.com','user3@b.com']] 

我也假設每個用戶屬於一個且只有一個組，每個用戶已經提交表單，並且每個用戶沒有拼錯他們的電子郵件。

我們可以通過

valid = {row[0] for row in rows} 

我們可以建立一個字典映射用戶組獲得一組有效的電子郵件地址，合併組，因爲我們去，並刪除無效的電子郵件。

ugDict = {} 

for row in rows: 
    mergedGroup = set(row) & valid 
    for user in row: 
    if user in ugDict: 
     mergedGroup |= ugDict[user] 
    for user in mergedGroup: 
    ugDict[user] = mergedGroup 

這將導致從用戶到組的映射，並且將包括任何錯誤輸入的電子郵件地址。您必須決定如何驗證電子郵件 - 您可能只是想忽略它們。

現在，要獲取組的排序列表，請創建一組所有組，並使用排序的函數。 （g）使python的set對象可排序（即可排序）。

結果呢？

sortedGroups = [frozenset({'user2@a.com'}), 
       frozenset({'user1@a.com', 'user3@b.com', 'user4@b.com'})]