如何在熊猫中测试字符串是否包含列表中的子字符串之一？

Question

是否有任何功能相当于df.isin() 和df[col].str.contains() 的组合？

例如，假设我有这个系列 s = pd.Series(['cat','hat','dog','fog','pet'])，我想找到所有s 包含任何['og', 'at'] 的地方，我想得到除“宠物”之外的所有东西。

我有一个解决方案，但它相当不雅：

searchfor = ['og', 'at']
found = [s.str.contains(x) for x in searchfor]
result = pd.DataFrame[found]
result.any()

有没有更好的方法来做到这一点？

Answer 1

一种选择是使用正则表达式| 字符来尝试匹配系列中单词s 中的每个子字符串（仍然使用str.contains）。

您可以通过将searchfor 中的单词与| 连接来构造正则表达式：

>>> searchfor = ['og', 'at']
>>> s[s.str.contains('|'.join(searchfor))]
0    cat
1    hat
2    dog
3    fog
dtype: object

正如@AndyHayden 在下面的 cmets 中指出的那样，请注意您的子字符串是否包含您想要逐字匹配的特殊字符，例如 $ 和 ^。这些字符在正则表达式的上下文中具有特定的含义，会影响匹配。

您可以通过使用re.escape 转义非字母数字字符来使您的子字符串列表更安全：

>>> import re
>>> matches = ['$money', 'x^y']
>>> safe_matches = [re.escape(m) for m in matches]
>>> safe_matches
['\\$money', 'x\\^y']

当与str.contains 一起使用时，此新列表中的字符串将逐字匹配每个字符。

Answer 2

您可以单独使用str.contains 和使用OR (|) 的正则表达式模式：

s[s.str.contains('og|at')]

或者您可以将系列添加到dataframe，然后使用str.contains：

df = pd.DataFrame(s)
df[s.str.contains('og|at')] 

输出：

0 cat
1 hat
2 dog
3 fog 

Answer 3

这是一个同样有效的单行 lambda：

df["TrueFalse"] = df['col1'].apply(lambda x: 1 if any(i in x for i in searchfor) else 0)

输入：

searchfor = ['og', 'at']

df = pd.DataFrame([('cat', 1000.0), ('hat', 2000000.0), ('dog', 1000.0), ('fog', 330000.0),('pet', 330000.0)], columns=['col1', 'col2'])

   col1  col2
0   cat 1000.0
1   hat 2000000.0
2   dog 1000.0
3   fog 330000.0
4   pet 330000.0

应用 Lambda：

df["TrueFalse"] = df['col1'].apply(lambda x: 1 if any(i in x for i in searchfor) else 0)

输出：

    col1    col2        TrueFalse
0   cat     1000.0      1
1   hat     2000000.0   1
2   dog     1000.0      1
3   fog     330000.0    1
4   pet     330000.0    0