Pandas：从列表中选择包含任何子字符串的行

Posted 2023-02-22

【中文标题】Pandas：从列表中选择包含任何子字符串的行

【英文标题】：Pandas: Select rows that contain any substring from a list

【发布时间】：2021-02-01 23:19:35

【问题描述】：

我想在包含列表中任何子字符串的列中选择这些行。这就是我现在所拥有的。

product = ['LID', 'TABLEWARE', 'CUP', 'COVER', 'CONTAINER', 'PACKAGING']

df_plastic_prod = df_plastic[df_plastic['Goods Shipped'].str.contains(product)]

df_plastic_prod.info()

df_plastic 示例

Name          Product
David        PLASTIC BOTTLE
Meghan       PLASTIC COVER
Melanie      PLASTIC CUP 
Aaron        PLASTIC BOWL
Venus        PLASTIC KNIFE
Abigail      PLASTIC CONTAINER
Sophia       PLASTIC LID

所需的 df_plastic_prod

Name          Product
Meghan       PLASTIC COVER
Melanie      PLASTIC CUP 
Abigail      PLASTIC CONTAINER
Sophia       PLASTIC LID

提前致谢！感谢您对此提供的任何帮助！

【参考方案1】：

对于通过子字符串匹配的值，通过| 连接列表的所有值以获取正则表达式or - 所以获取值LID 或TABLEWARE ...：

解决方案在 list 中包含 2 个或更多字时效果也很好。

pat = '|'.join(r"\b\b".format(x) for x in product)
df_plastic_prod = df_plastic[df_plastic['Product'].str.contains(pat)]
print (df_plastic_prod)
      Name            Product
1   Meghan      PLASTIC COVER
2  Melanie        PLASTIC CUP
5  Abigail  PLASTIC CONTAINER
6   Sophia        PLASTIC LID

【讨论】：

问题：为什么我们需要在pat 中有\b？

@balderman - 称为单词边界，所有单词都必须匹配 - 避免在单词bobcat is nice中匹配cat，匹配cat is nice

我明白了。所以pat 实际上是一个正则表达式，术语“单词边界”取自正则表达式域。谢谢。

【参考方案2】：

一种解决方案是使用正则表达式解析'Product' 列，并测试提取的任何值是否在product 列表中，然后根据结果过滤原始DataFrame。

在这种情况下，使用了一个非常简单的正则表达式模式 ((\w+)$)，它匹配行尾的单个单词。

示例代码：

df.iloc[df['Product'].str.extract('(\w+)$').isin(product).to_numpy(), :]

输出：

      Name            Product
1   Meghan      PLASTIC COVER
2  Melanie        PLASTIC CUP
5  Abigail  PLASTIC CONTAINER
6   Sophia        PLASTIC LID

设置：

product = ['LID', 'TABLEWARE', 'CUP', 
           'COVER', 'CONTAINER', 'PACKAGING']

data = 'Name': ['David', 'Meghan', 'Melanie', 
                 'Aaron', 'Venus', 'Abigail', 'Sophia'],
        'Product': ['PLASTIC BOTTLE', 'PLASTIC COVER', 'PLASTIC CUP', 
                    'PLASTIC BOWL', 'PLASTIC KNIFE', 'PLASTIC CONTAINER',
                    'PLASTIC LID']
    
df = pd.DataFrame(data)