如何使用正则表达式在熊猫中查找字符串格式的数组？

Question

我有一个 csv 文件，其中只包含一个看起来像 df1 的列

Col_A
Name
Address
[B00-OUI_001]
Soemthing else
etc.

另一个有类似的东西。

df2

Col_B
[B00-OUI_000_V]
[B00-OUI_002_V]
[B00-OUI_003_V] 
[B00-OUI_001_V]
[B00-OUI_005_V]
[B00-OUI_006_V]
[B00-OUI_007_V]

我试图从 df1 中的 df2 中找出匹配的条目，例如B00-OUI_001都在 df 中，但在 df2 中它带有_V ，因此它转向正则表达式，因为所有内容都是字符串格式，但在完全匹配中失败。 有人可以帮助我吗？

Answer 1

您可以删除两列中的尾随[]并使用带元组的Series.str.startswith过滤：

tups = tuple(df1['Col_A'].str.strip('[]').unique())

df2 = df2[df2['Col_B'].str.strip('[]').str.startswith(tups)]
print (df2)
            Col_B
3  [B00OUI_001_V]

另一个想法是通过|加入独特的价值| 对于正则表达式OR并使用Series.str.contains ：

v = '|'.join(df1['Col_A'].str.strip('[]').unique())

df2 = df2[df2['Col_B'].str.strip('[]').str.contains(v)]
print (df2)
            Col_B
3  [B00OUI_001_V]

Answer 2

如果只有“_V”可以破坏精确匹配，为什么不摆脱它并创建一个虚拟列索引？ 精确连接总是比任何正则表达式映射的孩子都快。

我的意思是：

df2["Col_B_edt"]=df2["Col_B"].str.replace("_V]", "]")

df3=pd.merge(df,df2,left_on="Col_A",right_on="Col_B_edt").drop("Col_B_edt", axis=1)

输出：

   Col_A          Col_B
0  [B00-OUI_001]  [B00-OUI_001_V]