完全相同的文本字符串不匹配

Question

我有一个数据帧两列title,并store包含文本字符串由我希望子集数据框:

In [84]:
    2631              coffee?mate sugar free french ...  jet.com
    2633            nestle coffeemate natural bliss ...  jet.com
    2634         coffee?mate liquid coffee creamer, ...  jet.com
    3085                       coffee?mate hazelnut ...  jet.com

当我尝试:

df[(df.title.str.contains('coffee-mate')) & (df.store.str.contains('jet.com'))]

我明白了:

Out[84]: 
Empty DataFrame
Columns: [title, store]
Index: []

但是,当我这样做时:

df[(df.title.str.contains('coffee')) & (df.store.str.contains('jet.com'))]

我明白了:

    2631              coffee?mate sugar free french ...  jet.com
    2633            nestle coffeemate natural bliss ...  jet.com
    2634         coffee?mate liquid coffee creamer, ...  jet.com
    3085                       coffee?mate hazelnut ...  jet.com

我不知道该怎么做!

我试着复制角色'咖啡伴侣'进行等效测试并得到False.

'coffee?mate' == 'coffee-mate'
Out[92]: False

我觉得这与编码有关,但不知道如何检测和修复问题.有人可以帮忙吗？

Answer 1

数据框中的"coffee-mate"使用非破坏连字符(u"\u2011"),搜索字符串使用连字符

非破坏 http://www.ltg.ed.ac.uk/~richard/utf-8.cgi?input=%E2%80%91&mode=char

你的连字符 http://www.ltg.ed.ac.uk/~richard/utf-8.cgi?input=-&mode=char

虽然它们看起来和你我一样,但Python认为它们是两个不同的角色.如果你将来遇到这个问题,我只是通过将角色粘贴到这个UTF8工具中来解决这个问题- 你明智地进行了比较coffee-mate和coffee?mate