Comment tester si une chaîne contient l'une des sous-chaînes d'une liste, dans des pandas?
Existe-t-il une fonction qui serait l’équivalent d’une combinaison de df.isin() et df[col].str.contains()?
Par exemple, disons que j’ai la série s = pd.Series(['cat','hat','dog','fog','pet']) et que je veux trouver tous les endroits où s contient l’un quelconque des ['og', 'at'], Je voudrais tout avoir sauf 'animal'.
J'ai une solution, mais c'est plutôt inélégant:
searchfor = ['og', 'at']
found = [s.str.contains(x) for x in searchfor]
result = pd.DataFrame[found]
result.any()
Y a-t-il une meilleure manière de faire cela?
Une option consiste simplement à utiliser la regex | caractère pour essayer de faire correspondre chacune des sous-chaînes des mots de votre série s (toujours en utilisant str.contains).
Vous pouvez construire l’expression rationnelle en joignant les mots dans searchfor avec |:
>>> searchfor = ['og', 'at']
>>> s[s.str.contains('|'.join(searchfor))]
0 cat
1 hat
2 dog
3 fog
dtype: object
Comme @AndyHayden l'a noté dans les commentaires ci-dessous, faites attention si vos sous-chaînes ont des caractères spéciaux tels que $ et ^ que vous voulez assortir littéralement. Ces caractères ont des significations spécifiques dans le contexte des expressions régulières et affecteront la correspondance.
Vous pouvez sécuriser votre liste de sous-chaînes en échappant des caractères non alphanumériques avec re.escape:
>>> import re
>>> matches = ['$money', 'x^y']
>>> safe_matches = [re.escape(m) for m in matches]
>>> safe_matches
['\\$money', 'x\\^y']
Les chaînes figurant dans cette nouvelle liste correspondront littéralement à chaque caractère lorsqu’elles sont utilisées avec str.contains.
Vous pouvez utiliser str.contains Seul avec un motif regex utilisant OR (|):
s[s.str.contains('og|at')]
Ou vous pouvez ajouter la série à un dataframe puis utiliser str.contains:
df = pd.DataFrame(s)
df[s.str.contains('og|at')]
Sortie:
0 cat
1 hat
2 dog
3 fog