Question

在下面的示例中，我能够将包含文本数据的pandas列与多个字符串集合进行匹配。输出只会告诉我df.col1单元格的任何部分是否包含集合中的一个元素。它不会告诉我哪一个！我有兴趣得到那个（字符串匹配或更好的仍然是它在集合数组中的位置）

words = ['dog', 'monkey']
pat = "|".join(map(re.escape, words))

df = pd.DataFrame({'col1':['lion bites dog','dog bites monkey','monkey bites man','man bites apple']})
df.loc[df.col1.str.contains(pat),'col1']

我需要知道集合中哪个字符串（上面的单词）匹配的原因是因为集合中的每个元素都可以映射到数值。像

words_dict = {'dog':'1', 'monkey':'2'}

我可以尝试df.map(dict)但在实际情况下，该集合存储在pandas dataframe

中

words_df = pd.DataFrame({1:['dog'], 2:['monkey']})

我可以想到一个相当迂回的解决方案，即迭代地检查集合中的每个元素，但如果集合中的元素数量很大，这似乎是非常低效的。

编辑//

所需的输出可以是：

[0,0,1,NaN] or ['dog','dog','monkey',False]

Answer 1

概念1
使用集

s = df.col1.str.split().apply(set)

s - (s - set(words))

0            {dog}
1    {monkey, dog}
2         {monkey}
3               {}
Name: col1, dtype: object

概念2
使用str.get_dummies

df.col1.str.get_dummies(sep=' ')[words]

   dog  monkey
0    1       0
1    1       1
2    0       1
3    0       0

拉伸它以获得理想的结果

d1 = df.col1.str.get_dummies(sep=' ')
d2 = d1.loc[:, d1.columns.intersection(words)]
d2[d2.any(1)].idxmax(1).reindex(d2.index)

0       dog
1       dog
2    monkey
3       NaN
dtype: object

概念3
使用numpy

s = df.col1.str.split(expand=True).stack()
a = s.values[:, None] == [words]

pd.Series(np.where(a.any(1), a.argmax(1), np.nan), s.index).groupby(level=0).min()

0    0.0
1    0.0
2    1.0
3    NaN
dtype: float64

pandas str.contains匹配多个字符串并获取匹配的值

1 个答案: