如何使用 Pandas 从给定字符串中删除子字符串

Posted 2023-02-23

【中文标题】如何使用 Pandas 从给定字符串中删除子字符串

【英文标题】：How can I remove a substring from a given String using Pandas

【发布时间】：2021-03-12 19:53:39

【问题描述】：

最近开始分析一个数据框，想去掉所有不包含的子串

('Aparelho Celular','Internet (Serviços e Produtos)','Serviços Telefônicos Diversos','Telefonia Celular','Telefonia Comunitária ( PABX, DDR, Etc. )','Telefonia Fixa','TV por Assinatura','Televisão / Aparelho DVD / Filmadora','Telemarketing')

但是当我使用这种语法时-

df = df[~df["GrupoAssunto"].str.contains('Aparelho Celular','Internet (Serviços e Produtos)','Serviços Telefônicos Diversos','Telefonia Celular','Telefonia Comunitária ( PABX, DDR, Etc. )','Telefonia Fixa','TV por Assinatura','Televisão / Aparelho DVD / Filmadora','Telemarketing')]

我收到此错误：

TypeError: contains() takes from 2 to 6 positional arguments but 10 were given

【问题讨论】：

您能否提供一个数据框示例和预期输出？

这能回答你的问题吗？ How to test if a string contains one of the substrings in a list, in pandas?

请更新问题以阐明用例，以及数据集样本和预期输出。

【参考方案1】：

请改用.isin() 函数。

例如：

vals1 = ['good val1', 'good val2', 'good val3', 'Aparelho Celular','Internet (Serviços e Produtos)','Serviços Telefônicos Diversos','Telefonia Celular','Telefonia Comunitária ( PABX, DDR, Etc. )','Telefonia Fixa','TV por Assinatura','Televisão / Aparelho DVD / Filmadora','Telemarketing']
vals2 = ['Aparelho Celular','Internet (Serviços e Produtos)','Serviços Telefônicos Diversos','Telefonia Celular','Telefonia Comunitária ( PABX, DDR, Etc. )','Telefonia Fixa','TV por Assinatura','Televisão / Aparelho DVD / Filmadora','Telemarketing']

df = pd.DataFrame('col1': vals1)

使用取反的.isin() 函数将提供DataFrame 的视图，不包括vals2 列表中的值。：

df[~df['col1'].isin(vals2)]

输出：

        col1
0  good val1
1  good val2
2  good val3

【讨论】：

这完成了其他事情。 isin() 不适用于子字符串，其方式与 str.contains 相同。 OP 的问题似乎只是基于语法

@noah - 好的，很公平。 OP 需要将问题更新为更明确，并提供一个用例。 （相应评论。）

【参考方案2】：

只需在打开正则表达式的情况下用| 分隔不同的单词。这是使用包含搜索多个字符串的正确语法。 re 安全转换处理转义括号和任何其他特殊字符。

bad_strings = ['Aparelho Celular','Internet (Serviços e Produtos)','Serviços Telefônicos Diversos','Telefonia Celular','Telefonia Comunitária ( PABX, DDR, Etc. )','Telefonia Fixa','TV por Assinatura','Televisão / Aparelho DVD / Filmadora','Telemarketing']
safe_bad_strings = [re.escape(s) for s in bad_strings]
df = df[~df["GrupoAssunto"].str.contains('|'.join(safe_bad_strings), regex=True]

您的错误正在发生，因为这 10 个字符串都作为参数传递给 contains。但是 contains 不会期望多个模式，因此它会引发错误。