在 Pandas Dataframe 中出现错误：在 17217 位置没有重复内容

Question

我正在尝试使用str.contains 在另一个数据框的另一列中识别数据框一列的元素。代码如下：

pattern = fr"(?:{'|'.join(strategic_accounts['Account Name'])})"
all_leads['in_strategic_list'] = all_leads['Company'].str.contains(pattern).astype(int)

这是两个数据帧的头部以及all_leads 数据帧的位置 17271。我不明白这个错误，因为它看起来在 17217 位置没有任何异常。此外，所有在线相关错误似乎都指向error nothing to repeat at position 0，这似乎是一个不同的错误，因为我的错误出现在 loc 17217 .任何见解表示赞赏！谢谢！

这个模拟示例与相同的代码完美配合：

df1 = pd.DataFrame({'name': ['Marc', 'Jake', 'Sam', 'Brad', 'SpongeBob']})
df2 = pd.DataFrame({'IDs': ['Jake', 'John', 'Marc', 'Tony', 'Bob']})

pattern = fr"(?:{'|'.join(df2['IDs'])})"

df1['In_df2'] = df1['name'].str.contains(pattern).astype(int)

更新： 我设法弄清楚该错误是指模式中的 loc 17217 而不是 strategy_accounts df。以模式打印 loc 17217 返回 '*'。在将其插入str.contains 之前，我曾尝试将此函数应用于pattern，但我似乎无法将其删除。

import re

pattern = fr"(?:{'|'.join(strategic_accounts['Account Name'])})"
def esc_spec_char(pattern):
    for p in pattern:
        if p == '\*':
            re.sub('*', '1', p)
        else:
            continue
    return pattern
pattern = esc_spec_char(pattern)
pattern[17217]

新_更新： 我已经应用了@LiamFiddler 将字符串转换为re.Pattern 对象并在虚拟df 上运行它的方法，虽然它似乎确实逃脱了*，但它似乎没有找到N。不确定我是否犯了一些错误。代码如下：

sries = pd.Series(['x','y','$','%','^','N','*'])
ac = '|'.join(sries)
p = re.compile(re.escape(ac))
df1 = pd.DataFrame(data = {'Id' : [123, 232, 344, 455, 566, 377], 
                           'col2' : ["N", "X", "Y", '*', "W", "Z"]})
df1['col2'].str.contains(p, regex=True).astype(int)

Answer 1

编辑

我意识到re.escape() 也逃脱了| 分隔符，所以我认为适当的解决方案是将re.escape() 映射到系列之前加入名称：

strategic_accounts['Escaped Accounts'] = strategic_accounts['Account Name'].apply(lambda x: re.escape(x))
pattern = re.compile('|'.join(strategic_accounts['Escaped Accounts']))

然后您可以使用Series.str.contains() 进行如下操作。在您的示例数据框中，我得到了以下信息：

sries = pd.Series(['x','y','$','%','^','N','*'])
ac = sries.apply(lambda x: re.escape(x))
p = re.compile('|'.join(ac))
df1 = pd.DataFrame(data = {'Id' : [123, 232, 344, 455, 566, 377], 
                           'col2' : ["N", "X", "Y", '*', "W", "Z"]})
df1['col2'].str.contains(p, regex=True).astype(int)

Out:
0    1
1    0
2    0
3    1
4    0
5    0

原创

好的，所以基于对特殊字符的发现，我认为这是你的解决方案：

首先，我们需要对字符串中的特殊字符进行转义，以免它们弄乱正则表达式。幸运的是，Python 的 re 模块有一个 .escape() 方法专门用于转义特殊字符。

import re
accounts = '|'.join(strategic_accounts['Account Name'])
pattern = re.compile(re.escape(accounts))

现在我们可以像以前一样继续：

all_leads['in_strategic_list'] = all_leads['Company'].str.contains(pattern, regex=True).astype(int)