使用 pandas，如何检查列中是否存在特定序列？

Question

我有一个 dataframe：

df = pd.DataFrame({'Sequence': ['ABCDEFG', 'AWODIH', 'AWODIHAWD], 'Length': [7, 6, 9]})

我希望能够检查特定序列（例如“WOD”）是否存在于“序列”列的任何条目中。 它不必位于条目的中间或末尾，但如果该序列按该顺序存在于该列的任何条目中，则返回 true。

我该怎么做？

我查看了 .isin 和 .contains，这两个函数仅在列中存在准确且完整的序列时才返回：

df.isin('ABCDEFG') //returns true
df.isin('ABC') //returns false

我想要一种 Cltr+F function 可以按该顺序搜索任何序列，无论它在哪里或多长时间。

Answer 1

可以使用str.contains简单地做到这一点：

In [657]: df['Sequence'].str.contains('WOD')    
Out[657]: 
0    False
1     True
2     True
Name: Sequence, dtype: bool

或者，您可以使用str.find ：

In [658]: df['Sequence'].str.find('WOD')
Out[658]: 
0   -1
1    1
2    1
Name: Sequence, dtype: int64

失败时返回-1 。

Answer 2

我们需要在contains之前使用str.findall

df.Sequence.str.findall('W|O|D').str.join('').str.contains('WOD')
0    False
1     True
2     True
Name: Sequence, dtype: bool

Answer 3

如果你想使用你的 in 语法，你可以这样做：

df.Sequence.apply(lambda x: 'WOD' in x)

如果考虑性能，以下解决方案比其他解决方案快许多倍：

['WOD' in e for e in df.Sequence]

基准

%%timeit
['WOD' in e for e in df.Sequence]
8.26 µs ± 90.7 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

%%timeit
df.Sequence.apply(lambda x: 'WOD' in x)
164 µs ± 7.26 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

%%timeit
df['Sequence'].str.contains('WOD')   
153 µs ± 4.49 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

%%timeit
df['Sequence'].str.find('WOD')
159 µs ± 7.84 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

%%timeit
df.Sequence.str.findall('W|O|D').str.join('').str.contains('WOD')
585 µs ± 34 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)