python - 包含由 '|' 分隔的多个值的列中的 Pandas 字符串匹配

Question

我有一个大型数据框，其中包含多个 ID 和值，如下所示:

示例数据框:

     ID        VALUE
0  5401  2003 | 5411
1  5582         2003
2  9991        62003
3  7440  1428 | 2003

**我只想获取数据框的子集，其中包含字符串列表中的一个元素。

l = [2003, 2005, 5411, 1786]

在上面的示例中，匹配“2003”的所有内容。**

预期结果:

     ID        VALUE
0  5401  2003 | 5411
1  5582         2003
3  7440  1428 | 2003

当前结果:

使用 df[df['VALUE'].str.contains('2003')] 给出所有内容，包括需要排除的 '62003'。

使用 df[df['VALUE'].str.match('2003')] 仅给出:

     ID        VALUE
0  5401  2003 | 5411
1  5582         2003

在这里，3 7440 1428 | 2003 丢失。

有没有办法获得完全匹配“2003”但位于“|”两侧的预期结果或在只有单个值且没有管道的行中。此结果还需要遍历要匹配的字符串列表。

任何指导表示赞赏。谢谢!

Answer 1

您可以使用正则表达式匹配:

import pandas as pd

data = [[5401,  '2003 | 5411'],
[5582,  '2003'],
[9991,  '62003'],
[7440,  '1428 | 2003']]

df = pd.DataFrame(data=data, columns=['id', 'value'])
result = df[df['value'].str.contains(r'\b2003\b', regex=True)]
print(result)

输出

     id        value
0  5401  2003 | 5411
1  5582         2003
3  7440  1428 | 2003

模式 '\b2003\b' 匹配被单词边界包围的 2003。如果您有多个模式，您还可以使用正则表达式匹配，例如:

import pandas as pd

data = [[5401,  '2003 | 5411'],
[5582,  '2003'],
[9991,  '62003'],
[7440,  '1428 | 2003'],
[7440,  '2004 | 2002']]

needles = ['2003', '2004']
pattern = '|'.join([r'\b{}\b'.format(needle) for needle in needles])

df = pd.DataFrame(data=data, columns=['id', 'value'])
result = df[df['value'].str.contains(pattern, regex=True)]
print(result)

输出

     id        value
0  5401  2003 | 5411
1  5582         2003
3  7440  1428 | 2003
4  7440  2004 | 2002

另一种方法是在 | 上拆分字符串并检查每个值，例如:

needles = ['2003', '2004']

def contains(xs, ns=set(needles)):
    return any(x.strip() in ns for x in xs.split('|'))


df = pd.DataFrame(data=data, columns=['id', 'value'])
result = df[df['value'].apply(contains)]
print(result)

输出

     id        value
0  5401  2003 | 5411
1  5582         2003
3  7440  1428 | 2003
4  7440  2004 | 2002