按子字符串标准过滤 pandas DataFrame

根据 github 问题 #620，您似乎很快就可以执行以下操作：

df[df['A'].str.contains("hello")]

更新：vectorized string methods (i.e., Series.str) 在 pandas 0.8.1 及更高版本中可用。

---

我在 ipython 笔记本的 macos 上使用 pandas 0.14.1。我尝试了上面建议的行：

df[df["A"].str.contains("Hello|Britain")]

并得到一个错误：

无法使用包含 NA / NaN 值的向量进行索引

但是当添加“==True”条件时它工作得很好，如下所示：

df[df['A'].str.contains("Hello|Britain")==True]

---

如何从 pandas DataFrame 中选择部分字符串？

这篇文章是为那些想要

在字符串列中搜索子字符串（最简单的情况）

搜索多个子字符串（类似于 isin）

匹配文本中的整个单词（例如，“blue”应该匹配“the sky is blue”而不是“bluejay”）

匹配多个完整的单词

了解“ValueError：无法使用包含 NA / NaN 值的向量进行索引”背后的原因

...并且想更多地了解哪些方法应该优于其他方法。

（PS：我看过很多关于类似主题的问题，我认为把这个留在这里会很好。）

友好的免责声明，这篇文章很长。

基本子串搜索

# setup
df1 = pd.DataFrame({'col': ['foo', 'foobar', 'bar', 'baz']})
df1

      col
0     foo
1  foobar
2     bar
3     baz

str.contains 可用于执行子字符串搜索或基于正则表达式的搜索。搜索默认为基于正则表达式，除非您明确禁用它。

这是一个基于正则表达式的搜索示例，

# find rows in `df1` which contain "foo" followed by something
df1[df1['col'].str.contains(r'foo(?!$)')]

      col
1  foobar

有时不需要正则表达式搜索，因此指定 regex=False 以禁用它。

#select all rows containing "foo"
df1[df1['col'].str.contains('foo', regex=False)]
# same as df1[df1['col'].str.contains('foo')] but faster.
   
      col
0     foo
1  foobar

性能方面，正则表达式搜索比子字符串搜索慢：

df2 = pd.concat([df1] * 1000, ignore_index=True)

%timeit df2[df2['col'].str.contains('foo')]
%timeit df2[df2['col'].str.contains('foo', regex=False)]

6.31 ms ± 126 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
2.8 ms ± 241 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

如果不需要，请避免使用基于正则表达式的搜索。

寻址 ValueErrors
有时，对结果执行子字符串搜索和过滤会导致

ValueError：无法使用包含 NA / NaN 值的向量进行索引

这通常是因为对象列中的混合数据或 NaN，

s = pd.Series(['foo', 'foobar', np.nan, 'bar', 'baz', 123])
s.str.contains('foo|bar')

0     True
1     True
2      NaN
3     True
4    False
5      NaN
dtype: object


s[s.str.contains('foo|bar')]
# ---------------------------------------------------------------------------
# ValueError                                Traceback (most recent call last)

任何不是字符串的东西都不能应用字符串方法，所以结果是 NaN（自然）。在这种情况下，指定 na=False 以忽略非字符串数据，

s.str.contains('foo|bar', na=False)

0     True
1     True
2    False
3     True
4    False
5    False
dtype: bool

如何一次将其应用于多个列？
答案就在问题中。使用 DataFrame.apply：

# `axis=1` tells `apply` to apply the lambda function column-wise.
df.apply(lambda col: col.str.contains('foo|bar', na=False), axis=1)

       A      B
0   True   True
1   True  False
2  False   True
3   True  False
4  False  False
5  False  False

下面的所有解决方案都可以使用按列的 apply 方法“应用”到多个列（只要您没有太多列，这在我的书中是可以的）。

如果您有一个包含混合列的 DataFrame，并且只想选择对象/字符串列，请查看 select_dtypes。

多子串搜索

这最容易通过使用正则表达式 OR 管道的正则表达式搜索来实现。

# Slightly modified example.
df4 = pd.DataFrame({'col': ['foo abc', 'foobar xyz', 'bar32', 'baz 45']})
df4

          col
0     foo abc
1  foobar xyz
2       bar32
3      baz 45

df4[df4['col'].str.contains(r'foo|baz')]

          col
0     foo abc
1  foobar xyz
3      baz 45

您还可以创建术语列表，然后加入它们：

terms = ['foo', 'baz']
df4[df4['col'].str.contains('|'.join(terms))]

          col
0     foo abc
1  foobar xyz
3      baz 45

有时，明智的做法是避开您的术语，以防它们包含可以解释为 regex metacharacters 的字符。如果您的条款包含以下任何字符...

. ^ $ * + ? { } [ ] \ | ( )

然后，您需要使用 re.escape 来转义它们：

import re
df4[df4['col'].str.contains('|'.join(map(re.escape, terms)))]

          col
0     foo abc
1  foobar xyz
3      baz 45

re.escape 具有转义特殊字符的效果，以便按字面意思对待它们。

re.escape(r'.foo^')
# '\\.foo\\^'

匹配整个单词

默认情况下，子字符串搜索搜索指定的子字符串/模式，无论它是否是全字。为了只匹配完整的单词，我们需要在这里使用正则表达式——特别是，我们的模式需要指定单词边界 (\b)。

例如，

df3 = pd.DataFrame({'col': ['the sky is blue', 'bluejay by the window']})
df3

                     col
0        the sky is blue
1  bluejay by the window
 

现在考虑，

df3[df3['col'].str.contains('blue')]

                     col
0        the sky is blue
1  bluejay by the window

v/s

df3[df3['col'].str.contains(r'\bblue\b')]

               col
0  the sky is blue

多个全词搜索

与上面类似，除了我们在连接模式中添加了一个单词边界（\b）。

p = r'\b(?:{})\b'.format('|'.join(map(re.escape, terms)))
df4[df4['col'].str.contains(p)]

       col
0  foo abc
3   baz 45

p 看起来像这样，

p
# '\\b(?:foo|baz)\\b'

一个很好的选择：使用列表理解！

因为你能！ And you should! 它们通常比字符串方法快一点，因为字符串方法难以向量化并且通常具有循环实现。

代替，

df1[df1['col'].str.contains('foo', regex=False)]

在列表组合中使用 in 运算符，

df1[['foo' in x for x in df1['col']]]

       col
0  foo abc
1   foobar

代替，

regex_pattern = r'foo(?!$)'
df1[df1['col'].str.contains(regex_pattern)]

在列表组合中使用 re.compile（缓存您的正则表达式）+ Pattern.search，

p = re.compile(regex_pattern, flags=re.IGNORECASE)
df1[[bool(p.search(x)) for x in df1['col']]]

      col
1  foobar

如果“col”有 NaN，那么代替

df1[df1['col'].str.contains(regex_pattern, na=False)]

利用，

def try_search(p, x):
    try:
        return bool(p.search(x))
    except TypeError:
        return False

p = re.compile(regex_pattern)
df1[[try_search(p, x) for x in df1['col']]]

      col
1  foobar
 

部分字符串匹配的更多选项：np.char.find、np.vectorize、DataFrame.query。

除了 str.contains 和列表推导外，您还可以使用以下替代方法。

np.char.find
仅支持子字符串搜索（阅读：无正则表达式）。

df4[np.char.find(df4['col'].values.astype(str), 'foo') > -1]

          col
0     foo abc
1  foobar xyz

np.vectorize
这是循环的包装器，但与大多数 pandas str 方法相比，开销较小。

f = np.vectorize(lambda haystack, needle: needle in haystack)
f(df1['col'], 'foo')
# array([ True,  True, False, False])

df1[f(df1['col'], 'foo')]

       col
0  foo abc
1   foobar

可能的正则表达式解决方案：

regex_pattern = r'foo(?!$)'
p = re.compile(regex_pattern)
f = np.vectorize(lambda x: pd.notna(x) and bool(p.search(x)))
df1[f(df1['col'])]

      col
1  foobar

DataFrame.query
通过 python 引擎支持字符串方法。这并没有提供明显的性能优势，但对于了解您是否需要动态生成查询仍然很有用。

df1.query('col.str.contains("foo")', engine='python')

      col
0     foo
1  foobar

有关 query 和 eval 系列方法的更多信息，请参见 Dynamic Expression Evaluation in pandas using pd.eval()。

推荐使用优先级

（第一）str.contains，因为它的简单和易于处理 NaN 和混合数据列表推导，因为它的性能（特别是如果你的数据是纯字符串）np.vectorize（最后）df.query

---

如果有人想知道如何执行相关问题：“按部分字符串选择列”

利用：

df.filter(like='hello')  # select columns which contain the word hello

要通过部分字符串匹配选择行，请将 axis=0 传递给过滤器：

# selects rows which contain the word hello in their index label
df.filter(like='hello', axis=0)  

---

快速说明：如果您想根据索引中包含的部分字符串进行选择，请尝试以下操作：

df['stridx']=df.index
df[df['stridx'].str.contains("Hello|Britain")]

---

假设您有以下 DataFrame：

>>> df = pd.DataFrame([['hello', 'hello world'], ['abcd', 'defg']], columns=['a','b'])
>>> df
       a            b
0  hello  hello world
1   abcd         defg

您始终可以在 lambda 表达式中使用 in 运算符来创建过滤器。

>>> df.apply(lambda x: x['a'] in x['b'], axis=1)
0     True
1    False
dtype: bool

这里的技巧是使用 apply 中的 axis=1 选项将元素逐行传递给 lambda 函数，而不是逐列传递。

---

如果您需要对 pandas 数据框列中的字符串进行不区分大小写的搜索：

df[df['A'].str.contains("hello", case=False)]

---

您可以尝试将它们视为字符串：

df[df['A'].astype(str).str.contains("Hello|Britain")]

---

假设我们在数据框 df 中有一个名为“ENTITY”的列。我们可以过滤我们的 df，以获得整个数据帧 df，其中“实体”列的行不包含“DM”，方法是使用如下掩码：

mask = df['ENTITY'].str.contains('DM')

df = df.loc[~(mask)].copy(deep=True)

---

这是我最终为部分字符串匹配所做的。如果有人有更有效的方法，请告诉我。

def stringSearchColumn_DataFrame(df, colName, regex):
    newdf = DataFrame()
    for idx, record in df[colName].iteritems():

        if re.search(regex, record):
            newdf = concat([df[df[colName] == record], newdf], ignore_index=True)

    return newdf

---

对于带有特殊字符的字符串，使用 contains 效果不佳。虽然找到工作。

df[df['A'].str.find("hello") != -1]

---

一个更通用的示例 - 如果在字符串中查找单词的一部分或特定单词：

df = pd.DataFrame([('cat andhat', 1000.0), ('hat', 2000000.0), ('the small dog', 1000.0), ('fog', 330000.0),('pet', 330000.0)], columns=['col1', 'col2'])

句子或单词的特定部分：

searchfor = '.*cat.*hat.*|.*the.*dog.*'

创建显示受影响行的列（可以随时根据需要过滤掉）

df["TrueFalse"]=df['col1'].str.contains(searchfor, regex=True)

    col1             col2           TrueFalse
0   cat andhat       1000.0         True
1   hat              2000000.0      False
2   the small dog    1000.0         True
3   fog              330000.0       False
4   pet 3            30000.0        False

---

也许您想在 Pandas 数据框的所有列中搜索一些文本，而不仅仅是在它们的子集中。在这种情况下，以下代码将有所帮助。

df[df.apply(lambda row: row.astype(str).str.contains('String To Find').any(), axis=1)]

警告。这种方法虽然很方便，但速度相对较慢。

---

在此之前有一些答案可以完成所要求的功能，无论如何我想展示最普遍的方式：

df.filter(regex=".*STRING_YOU_LOOK_FOR.*")

通过这种方式，无论以何种方式编写，您都可以获得您要查找的列。

（显然，您必须为每种情况编写正确的正则表达式）

---

我的 2c 价值：

我做了以下事情：

sale_method = pd.DataFrame(model_data['Sale Method'].str.upper())
sale_method['sale_classification'] = \
    np.where(sale_method['Sale Method'].isin(['PRIVATE']),
             'private',
             np.where(sale_method['Sale Method']
                      .str.contains('AUCTION'),
                      'auction',
                      'other'
             )
    )

---

有点类似于@cs95 的答案，但在这里您不需要指定引擎：

df.query('A.str.contains("hello").values')

---