如何按规则加入两个熊猫数据框包含值

Question

我有两个数据源：

df1 = pd.DataFrame({'a': [1, 2, 3, 4]})
df2 = pd.DataFrame({'b': [
    'Some text 11.',
    'Good 2 number',
    'Other 33 not valid',
    '4 is good too even with 7'
]})

df1 的样子

   a
0  1
1  2
2  3
3  4

df2 看起来像

                           b
0              Some text 11.
1              Good 2 number
2         Other 33 not valid
3  4 is good too even with 7

如果df1.a 列中的数字在df2.b 列中存在在任何位置，我的目标是合并它们，但只有确切的数字。 所以结果应该是：

a                         b
2              Good 2 number
4  4 is good too even with 7

我可以修改solution on string contains，但看起来很复杂。在真实数据中，两个来源都有超过 20k 条记录。

Answer 1

您可以通过Series.str.extractall 获取所有数字到DataFrame 和Series.unstack，转换为整数并通过DataFrame.isin 匹配，并通过DataFrame.any 测试每行是否至少有一个True：

mask = (df2['b'].str.extractall('(\d+)')[0]
                .astype(int)
                .unstack()
                .reindex(df2.index)
                .isin(df1['a'])
                .any(axis=1))
df = df2[mask]
print (df)
                           b
1              Good 2 number
3  4 is good too even with 7

---

您可以将df1['a'] 的所有值通过| 连接到正则表达式or 和\b\b 用于单词边界并传递给Series.str.contains：

pat = '|'.join(r"\b{}\b".format(x) for x in df1['a'])
df = df2[df2['b'].str.contains(pat)]
print (df)
                           b
1              Good 2 number
3  4 is good too even with 7

如果需要merge的解决方案：

s = df2['b'].str.extractall('(\d+)')[0].astype(int).reset_index(level=1, drop=True)

df = df1.merge(df2.join(s.rename('a')),on='a')
print (df)
   a                          b
0  2              Good 2 number
1  4  4 is good too even with 7