在 Pandas 数据框中查找字符串模式匹配并返回匹配的字符串

Question

我有一个带有可变逗号分隔文本的数据框列，只是试图提取基于另一个列表找到的值。所以我的数据框看起来像这样：

col1 | col2
-----------
 x   | a,b


listformatch = [c,d,f,b]
pattern = '|'.join(listformatch)

def test_for_pattern(x):
    if re.search(pattern, x):
        return pattern
    else:
        return x

#also can use col2.str.contains(pattern) for same results

上面的过滤效果很好，但不是在找到匹配项时返回b，而是返回整个模式，例如a|b，而不仅仅是b，而我想用它找到的模式创建另一列，例如b。

这是我的最终函数，但仍然得到 UserWarning: This pattern has match groups. To actually get the groups, use str.extract." groups, use str.extract.", UserWarning) 我希望我能解决：

def matching_func(file1, file2):
    file1 = pd.read_csv(fin)
    file2 = pd.read_excel(fin1, 0, skiprows=1)
    pattern = '|'.join(file1[col1].tolist())
    file2['new_col'] = file2[col1].map(lambda x: re.search(pattern, x).group()\
                                             if re.search(pattern, x) else None)

我想我现在了解 pandas extract 的工作原理，但在正则表达式上可能仍然生疏。如何创建用于以下示例的模式变量：

df[col1].str.extract('(word1|word2)')

我想创建变量为pattern = 'word1|word2'，而不是在参数中包含单词，但由于创建字符串的方式，这将不起作用。

我在 pandas 0.13 中使用矢量化字符串方法的最终和首选版本：

使用一列中的值从第二列中提取：

df[col1].str.extract('({})'.format('|'.join(df[col2]))

Answer 1

您可能想使用提取，或其他 vectorised string methods 之一：

In [11]: s = pd.Series(['a', 'a,b'])

In [12]: s.str.extract('([cdfb])')
Out[12]:
0    NaN
1      b
dtype: object