Python Pandas 使用另一列删除子字符串
Posted
技术标签:
【中文标题】Python Pandas 使用另一列删除子字符串【英文标题】:Python Pandas removing substring using another column 【发布时间】:2016-04-18 19:38:45 【问题描述】:我已经尝试过四处搜索,但找不到一个简单的方法来做到这一点,所以我希望你的专业知识能提供帮助。
我有一个包含两列的 pandas 数据框
import numpy as np
import pandas as pd
pd.options.display.width = 1000
testing = pd.DataFrame('NAME':[
'FIRST', np.nan, 'NAME2', 'NAME3',
'NAME4', 'NAME5', 'NAME6'], 'FULL_NAME':['FIRST LAST', np.nan, 'FIRST LAST', 'FIRST NAME3', 'FIRST NAME4 LAST', 'ANOTHER NAME', 'LAST NAME'])
这给了我
FULL_NAME NAME
0 FIRST LAST FIRST
1 NaN NaN
2 FIRST LAST NAME2
3 FIRST NAME3 NAME3
4 FIRST NAME4 LAST NAME4
5 ANOTHER NAME NAME5
6 LAST NAME NAME6
我想做的是从“NAME”列中获取值,然后从“FULL NAME”列中删除(如果存在)。所以函数会返回
FULL_NAME NAME NEW
0 FIRST LAST FIRST LAST
1 NaN NaN NaN
2 FIRST LAST NAME2 FIRST LAST
3 FIRST NAME3 NAME3 FIRST
4 FIRST NAME4 LAST NAME4 FIRST LAST
5 ANOTHER NAME NAME5 ANOTHER NAME
6 LAST NAME NAME6 LAST NAME
到目前为止,我已经在下面定义了一个函数,并且正在使用 apply 方法。不过,这在我的大型数据集上运行相当慢,我希望有一种更有效的方法来做到这一点。谢谢!
def address_remove(x):
try:
newADDR1 = re.sub(x['NAME'], '', x[-1])
newADDR1 = newADDR1.rstrip()
newADDR1 = newADDR1.lstrip()
return newADDR1
except:
return x[-1]
【问题讨论】:
【参考方案1】:这是一种比您当前的解决方案快得多的解决方案,但我不相信不会有更快的解决方案
In [13]: import numpy as np
import pandas as pd
n = 1000
testing = pd.DataFrame('NAME':[
'FIRST', np.nan, 'NAME2', 'NAME3',
'NAME4', 'NAME5', 'NAME6']*n, 'FULL_NAME':['FIRST LAST', np.nan, 'FIRST LAST', 'FIRST NAME3', 'FIRST NAME4 LAST', 'ANOTHER NAME', 'LAST NAME']*n)
这是一种很长的单线,但它应该可以满足您的需求
我能想出的快速解决方案是使用另一个答案中提到的replace
:
In [37]: %timeit testing ['NEW2'] = [e.replace(k, '') for e, k in zip(testing.FULL_NAME.astype('str'), testing.NAME.astype('str'))]
100 loops, best of 3: 4.67 ms per loop
原答案:
In [14]: %timeit testing ['NEW'] = [''.join(str(e).split(k)) for e, k in zip(testing.FULL_NAME.astype('str'), testing.NAME.astype('str'))]
100 loops, best of 3: 7.24 ms per loop
与您当前的解决方案相比:
In [16]: %timeit testing['NEW1'] = testing.apply(address_remove, axis=1)
10 loops, best of 3: 166 ms per loop
这些为您提供与当前解决方案相同的答案
【讨论】:
太棒了!我试图提出第二个解决方案,但第三个更好!你介意告诉我“zip”命令在做什么吗? 很高兴成功了!zip
接受多个迭代并从原始迭代返回聚合的迭代器。在更通俗的术语中,它允许您同时循环遍历两个或多个可迭代对象。 docs.python.org/3/library/functions.html#zip【参考方案2】:
您可以使用replace
方法和regex
参数,然后使用str.strip
:
In [605]: testing.FULL_NAME.replace(testing.NAME[testing.NAME.notnull()], '', regex = True).str.strip()
Out[605]:
0 LAST
1 NaN
2 FIRST LAST
3 FIRST
4 FIRST LAST
5 ANOTHER NAME
6 LAST NAME
Name: FULL_NAME, dtype: object
注意您需要将notnull
传递给testing.NAME
,因为没有它NaN
值也将被替换为空字符串
Benchmarking 比最快的@johnchase 解决方案要慢,但我认为它更具可读性并使用 DataFrames 和 Series 的所有 pandas 方法:
In [607]: %timeit testing['NEW'] = testing.FULL_NAME.replace(testing.NAME[testing.NAME.notnull()], '', regex = True).str.strip()
100 loops, best of 3: 4.56 ms per loop
In [661]: %timeit testing ['NEW'] = [e.replace(k, '') for e, k in zip(testing.FULL_NAME.astype('str'), testing.NAME.astype('str'))]
1000 loops, best of 3: 450 µs per loop
【讨论】:
纯熊猫解决方案。干得好。绝对更容易阅读,即使它不是更快。 @johnchase 是的,对不起。这是为了减少在控制台中输入的次数 是的,我一开始也做了同样的事情。另外,您的测试的数据框大小是多少?我在运行您的代码时得到了完全不同的计时结果,但我想知道这是否是我正在做的事情...... @johnchase 是的,您的解决方案几乎快 10 倍。我有一台更强大的 PC :)【参考方案3】:我认为您想使用字符串具有的 replace() 方法,它比使用正则表达式快几个数量级(我刚刚在 IPython 中快速检查过):
%timeit mystr.replace("ello", "")
The slowest run took 7.64 times longer than the fastest. This could mean that an intermediate result is being cached
1000000 loops, best of 3: 250 ns per loop
%timeit re.sub("ello","", "e")
The slowest run took 21.03 times longer than the fastest. This could mean that an intermediate result is being cached
1000000 loops, best of 3: 4.7 µs per loop
如果在那之后您需要进一步提高速度,您应该研究 numpy 的 vectorize 函数(但我认为使用替换而不是正则表达式的速度应该相当可观)。
【讨论】:
以上是关于Python Pandas 使用另一列删除子字符串的主要内容,如果未能解决你的问题,请参考以下文章
pandas - 如果列标题是另一列的子字符串,则创建真/假列
根据另一列中的值删除一列的重复项,Python,Pandas
Pandas:如何在第二个 DataFrame 的另一列中查找子字符串位置
Pandas DataFrame:使用列值在另一列中切片字符串