pandas：如何限制 str.contains 的结果？

Posted 2023-02-23

【中文标题】pandas：如何限制 str.contains 的结果？

【英文标题】：pandas: How to limit the results of str.contains?

【发布时间】：2018-08-24 16:04:20

【问题描述】：

我有一个超过 1M 行的 DataFrame。我想选择某个列包含某个子字符串的所有行：

matching = df['col2'].str.contains('substr', case=True, regex=False)
rows = df[matching].col1.drop_duplicates()

但是这个选择很慢，我想加快速度。假设我只需要前 n 个结果。在获得 n 个结果后，有没有办法停止 matching？我试过了：

matching = df['col2'].str.contains('substr', case=True, regex=False).head(n)

和：

matching = df['col2'].str.contains('substr', case=True, regex=False).sample(n)

但它们并没有更快。第二条语句是布尔型的并且非常快。如何加快第一条语句的速度？

【参考方案1】：

信不信由你，但 .str 访问器很慢。您可以使用性能更好的列表推导。

df = pd.DataFrame('col2':np.random.choice(['substring','midstring','nostring','substrate'],100000))

相等性检验

all(df['col2'].str.contains('substr', case=True, regex=False) ==
    pd.Series(['substr' in i for i in df['col2']]))

输出：

True

时间安排：

%timeit df['col2'].str.contains('substr', case=True, regex=False)
10 loops, best of 3: 37.9 ms per loop

对

%timeit pd.Series(['substr' in i for i in df['col2']])
100 loops, best of 3: 19.1 ms per loop

【参考方案2】：

你可以加快速度：

matching = df['col2'].head(n).str.contains('substr', case=True, regex=False)
rows = df['col1'].head(n)[matching==True]

但是，此解决方案将检索第一个 n 行中的匹配结果，而不是第一个 n 匹配结果。

如果您确实想要第一个 n 匹配结果，您应该使用：

rows =  df['col1'][df['col2'].str.contains("substr")==True].head(n)

但是这个选项当然要慢得多。

受@ScottBoston 的回答启发，您可以使用以下方法获得更快的解决方案：

rows = df['col1'][pd.Series(['substr' in i for i in df['col2']])==True].head(n)

这比使用此选项显示整个结果要快，但没有那么快。使用此解决方案，您可以获得第一个n 匹配结果。

通过下面的测试代码，我们可以看到每个解决方案的速度及其结果：

import pandas as pd
import time

n = 10
a = ["Result", "from", "first", "column", "for", "this", "matching", "test", "end"]
b = ["This", "is", "a", "test", "has substr", "also has substr", "end", "of", "test"]

col1 = a*1000000
col2 = b*1000000

df = pd.DataFrame("col1":col1,"col2":col2)

# Original option
start_time = time.time()
matching = df['col2'].str.contains('substr', case=True, regex=False)
rows = df[matching].col1.drop_duplicates()
print("--- %s seconds ---" % (time.time() - start_time))

# Faster option
start_time = time.time()
matching_fast = df['col2'].head(n).str.contains('substr', case=True, regex=False)
rows_fast = df['col1'].head(n)[matching==True]
print("--- %s seconds for fast solution ---" % (time.time() - start_time))


# Other option
start_time = time.time()
rows_other =  df['col1'][df['col2'].str.contains("substr")==True].head(n)
print("--- %s seconds for other solution ---" % (time.time() - start_time))

# Complete option
start_time = time.time()
rows_complete = df['col1'][pd.Series(['substr' in i for i in df['col2']])==True].head(n)
print("--- %s seconds for complete solution ---" % (time.time() - start_time))

这将输出：

>>> 
--- 2.33899998665 seconds ---
--- 0.302999973297 seconds for fast solution ---
--- 4.56700015068 seconds for other solution ---
--- 1.61599993706 seconds for complete solution ---

结果系列将是：

>>> rows
4     for
5    this
Name: col1, dtype: object
>>> rows_fast
4     for
5    this
Name: col1, dtype: object
>>> rows_other
4      for
5     this
13     for
14    this
22     for
23    this
31     for
32    this
40     for
41    this
Name: col1, dtype: object
>>> rows_complete
4      for
5     this
13     for
14    this
22     for
23    this
31     for
32    this
40     for
41    this
Name: col1, dtype: object

【讨论】：

这并不能真正回答我的问题。我对限制搜索空间持怀疑态度：这显然会提高性能，但会以牺牲结果为代价。但是，在尝试了 n=10000 的“更快”解决方案后，结果还不错，而且时间改进很显着。但最后，我无法部署这个“更快”的解决方案，因为它假定前 n 个结果中会有匹配，这可能不是真的！我将编辑我的问题以澄清这一点。

是的，我想你想要第一个 n 匹配而不是第一个 n 行中的匹配。如果有帮助你的话，我会检查一种改进时间的方法。也许@ScottBoston 的回答是一个相当不错的解决方案

请注意，您的解决方案还会返回前 n 行中的匹配项。

没错。实际上，您的“其他”解决方案会返回前 n 个匹配项，但它比根本不使用 .head() 慢，即不限制搜索。

请看我的更新。我相信“完整的解决方案”是一个相当不错的方法。