如何使用正則表達式在熊貓中查找字符串格式的數組？

Question

我有一個 csv 文件，其中只包含一個看起來像 df1 的列

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

另一個有類似的東西。

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]

我試圖從 df1 中的 df2 中找出匹配的條目，例如B00-OUI_001都在 df 中，但在 df2 中它帶有_V ，因此它轉向正則表達式，因為所有內容都是字符串格式，但在完全匹配中失敗。 有人可以幫助我嗎？

Answer 1

您可以刪除兩列中的尾隨[]並使用帶元組的Series.str.startswith過濾：

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]

另一個想法是通過|加入獨特的價值| 對於正則表達式OR並使用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”可以破壞精確匹配，為什么不擺脫它並創建一個虛擬列索引？ 精確連接總是比任何正則表達式映射的孩子都快。

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)

輸出：

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