pandas 中的向量化按列正则表达式匹配

Question

第一部分

假设我有一个数据集 df，如下所示：

x   | y     
----|--------
foo | 1.foo-ya
bar | 2.bar-ga
baz | 3.ha-baz
qux | None

我想过滤 y 正好在中间包含 x 的行（不是开头也不是结尾，即匹配模式 '^.+\w+.+$'，命中第 1 行和第 2 行），不包括 None/NaN：

x   | y
----|-----
foo | 1.foo-ya
bar | 2.bar-ga

这是一个典型的成对字符比较，在 SQL 中很容易：

select x, y from df where y like concat('^.+', x, '.+%');

或在 R 中：

library(dplyr)
library(stringr)
library(glue)
df %>% filter(str_detect(y, glue('^.+{x}.+$')))

但是由于我不是pandas专家，看来pandas中没有类似的简单“矢量化”正则表达式匹配方法？我应用了 lambda 方法：

import pandas as pd
import re
df.loc[df.apply(lambda row: bool(re.search(
                '^.+' + row.x + '.+$', row.y)) 
       if row.x and row.y else False, axis=1), :]

pandas 中有没有更优雅的方法来完成它？

第二部分

此外，我想提取第一部分产生的匹配记录中的前导数字（1、2、...）：

x   | y        |  z
----|----------|---
foo | 1.foo-ya |  1
bar | 2.bar-ga |  2

在 R 中，我可以直接进行管道争吵：

df %>%
  filter(str_detect(y, glue('^.+{x}.+$'))) %>%
  mutate(z=str_replace(y, glue('^(\\d+)\\.{x}.+$'), '\\1') %>%
           as.numeric)

但在 pandas 中，我只知道 lambda 方法。有没有比它“更好”的方法？

a = df.loc[df.apply(lambda row: bool(
                re.search('^.+' + row.x + '.+$', row.y))
                if row.x and row.y else False, axis=1), 
       ['x', 'y']]
a['z'] = a.apply(lambda row: re.sub(
       r'^(\d+)\.' + row.x + '.+$', r'\1', row.y), axis=1).astype('int')
a

顺便说一句，assign 方法不起作用。

df.loc[df.apply(lambda row: bool(re.search(
                '^.+' + row.x + '.+$', row.y))
                if row.x and row.y else False, axis=1), 
       ['x', 'y']].assign(z=lambda row: re.sub(
                r'^(\d+)\.' + row.x + '.+$', r'\1', row.y))

谢谢！

Answer 1

pandas 的字符串操作是建立在 python 的 string 和 re 模块之上的。试一试，看看是不是你想要的：

import re

#find out if values in column x are in column y
#according to the pattern u wrote in the question
pattern = [re.match(fr'^.+{a}.+$',b)
           for a,b 
           in zip(df.x.str.strip(),
                  df.y.str.strip())
          ]

match = [ent.group() if ent is not None else np.nan for ent in pattern]

#extract values for digit immediately preceding val in col x    
ext = [re.search(fr'\d(?=\.{a})', b) for a,b  in 
       zip(df.x.str.strip(),
           df.y.str.strip())]

extract = [ent.group() if ent is not None else np.nan for ent in ext]

df['match'], df['extract'] = match, extract

     x     y        match   extract
1   foo 1.foo-ya    1.foo-ya    1
2   bar 2.bar-ga    2.bar-ga    2
3   baz 3.ha-baz      NaN      NaN
4   qux    None       NaN      NaN

Answer 2

感谢所有鼓舞人心的回复。不得不说，虽然 Python 在很多方面都出类拔萃，但在这种矢量化操作方面，我更喜欢 R。所以我为这个案例重新发明了轮子。

def str_detect(string: pd.Series, pattern: pd.Series) -> List[bool]:
    """mimic str_detect in R
    """
    if len(string) > len(pattern):
        pattern.extend([pattern[-1]] * (len(string)-len(pattern)))
    elif len(string) < len(pattern):
        pattern = pattern[1:len(string)]

    return [bool(re.match(y, x)) if x and y else False
            for x, y in zip(string, pattern)]

def str_extract(string: pd.Series, pattern: pd.Series) -> List[str]:
    """mimic str_extract in R
    """
    if len(string) > len(pattern):
        pattern.extend([pattern[-1]] * (len(string)-len(pattern)))
    elif len(string) < len(pattern):
        pattern = pattern[1:len(string)]
    o = [re.search(y, x) if x and y else None
         for x, y in zip(string, pattern)]

    return [x.group() if x else np.nan for x in o]

然后

df.loc[str_detect(
    df['y'], '^.+' + df['x']+'.+$'), ['x', 'y']]
(df
  .assign(z=str_extract(df['y'], r'^(\d+)(?=\.' + df['x'] + ')'))
  .dropna(subset=['z'])
  .loc[:, ['x', 'y', 'z']])

Answer 3

这是你想要的方式吗？几乎复制了你在 R 中所做的事情：

>>> from numpy import vectorize
>>> from pipda import register_func
>>> from datar.all import f, tribble, filter, grepl, paste0, mutate, sub, as_numeric
[2021-06-24 17:27:16][datar][WARNING] Builtin name "filter" has been overriden by datar.
>>> 
>>> df = tribble(
...   f.x,   f.y,
...   "foo", "1.foo-ya",
...   "bar", "2.bar-ga",
...   "baz", "3.ha-baz",
...   "qux", None
... )
>>> 
>>> @register_func(None)
... @vectorize
... def str_detect(text, pattern):
...   return grepl(pattern, text)
... 
>>> @register_func(None)
... @vectorize
... def str_replace(text, pattern, replacement):
...   return sub(pattern, replacement, text)
... 
>>> df >> \
...   filter(str_detect(f.y, paste0('^.+', f.x, '.+$'))) >> \
...   mutate(z=as_numeric(str_replace(f.y, paste0(r'^(\d+)\.', f.x, '.+$'), r'\1')))
         x         y         z
  <object>  <object> <float64>
0      foo  1.foo-ya       1.0
1      bar  2.bar-ga       2.0

免责声明：我是datar 包的作者。