从公司名称中获取后缀列表

Question

我有一个数据框架df与列名-公司。一些公司名称的例子是:ABC Inc.， XYZ Gmbh, PQR Ltd, JKL Limited等。我需要一份所有后缀(Inc.，Gmbh, Ltd, Limited等)的列表。请注意，后缀长度总是不同的。有些公司可能没有后缀，例如:Apple。我需要一个包含所有公司名称后缀的完整列表，列表中只保留唯一的后缀。

我如何完成这个任务?

Answer 1

try this:

In [36]: df
Out[36]:
         Company
0         Google
1      Apple Inc
2  Microsoft Inc
3       ABC Inc.
4       XYZ Gmbh
5        PQR Ltd
6    JKL Limited
In [37]: df.Company.str.extract(r's+([^s]+$)', expand=False).dropna().unique()
Out[37]: array(['Inc', 'Inc.', 'Gmbh', 'Ltd', 'Limited'], dtype=object)

或忽略标点符号:

In [38]: import string
In [39]: df.Company.str.replace('['+string.punctuation+']+','')
Out[39]:
0           Google
1        Apple Inc
2    Microsoft Inc
3          ABC Inc
4         XYZ Gmbh
5          PQR Ltd
6      JKL Limited
Name: Company, dtype: object
In [40]: df.Company.str.replace('['+string.punctuation+']+','').str.extract(r's+([^s]+$)', expand=False).dropna().unique()
Out[40]: array(['Inc', 'Gmbh', 'Ltd', 'Limited'], dtype=object)

导出结果到Excel文件:

data = df.Company.str.replace('['+string.punctuation+']+','').str.extract(r's+([^s]+$)', expand=False).dropna().unique()
res = pd.DataFrame(data, columns=['Comp_suffix'])
res.to_excel(r'/path/to/file.xlsx', index=False)

Answer 2

你可以使用cleanco Python库，它里面有一个所有可能的后缀列表。例如，它包含了您提供的所有示例(Inc, Gmbh, Ltd, Limited)。

所以你可以从库中获取后缀，并将它们用作字典来搜索数据，例如:

import pandas as pd
company_names = pd.Series(["Apple", "ABS LLC", "Animusoft Corp", "A GMBH"])
suffixes = ["llc", "corp", "abc"]  # take from cleanco source code
found = [any(company_names.map(lambda x: x.lower().endswith(' ' + suffix))) for suffix in suffixes]
suffixes_found = [suffix for (suffix, suffix_found) in zip(suffixes, found) if suffix_found]
print suffixes_found  # outputs ['llc', 'corp']

Answer 3

假设公司的名称超过一个单词，那么您想要公司名称的最后一个单词?

set(name_list[-1] for name_list in map(str.split, company_names) if len(name_list) > 1)

[-1]得到最后一个单词。str.split在空格上分裂。我从来没有使用过熊猫，所以获得company_names可能是最难的部分。

Answer 4

这只在公司名称包含多个单词时添加后缀。

company_names = ["Apple", "ABS LLC", "Animusoft Corp"]
suffixes = [name.split()[-1] for name in company_names if len(name.split()) > 1]

现在考虑到这并没有涵盖唯一的需求。这并没有涵盖你可以有一个像"聪明"这样的公司名字，"聪明"不是后缀，而是名称的一部分。然而，这满足了唯一的需求:

company_names = ["Apple", "ABS LLC", "Animusoft Corp", "BBC Corp"]
suffixes = []
for name in company_names:
    if len(name.split()) > 1 and name.split()[-1] not in suffixes:      
        suffixes.append(name.split()[-1])