python - 如何过滤包含列表中任何字符串的 Pandas Dataframe 行？

Question

我的数据框具有如下值:

  A                    B
["I need avocado"   "something"]
["something"      "I eat margarina"]

我想找到符合以下条件的行:

在行的任何 列中，该列的值包含在列表中。 例如，对于列表:

["apple","avocado","bannana"]

只有这一行应该匹配: [“我需要鳄梨”“东西”]

这条线不起作用:

dataFiltered[dataFiltered[col].str.contains(*includeKeywords)]

返回:

{TypeError}unsupported operand type(s) for &: 'str' and 'int'

我该怎么办？

Answer 1

设置

df = pd.DataFrame(dict(
    A=['I need avocado', 'something', 'useless', 'nothing'],
    B=['something', 'I eat margarina', 'eat apple', 'more nothing']
))
includeKeywords = ["apple", "avocado", "bannana"]

---

问题

                A                B
0  I need avocado        something  # True 'avocado' in A
1       something  I eat margarina
2         useless        eat apple  # True 'apple' in B
3         nothing     more nothing

---

解决方案

• pandas.DataFrame.stack使 df 成为 Series 并使我们能够使用 pandas.Series.str 访问器函数
• pandas.Series.str.contains使用 '|'.join(includeKeywords)
• pandas.Series.any使用参数 level=0 因为我们在堆叠时向索引添加了一个级别

---

df[df.stack().str.contains('|'.join(includeKeywords)).any(level=0)]

                A          B
0  I need avocado  something
2         useless  eat apple

---

详情

这会生成一个 regex 搜索字符串。在 regex 中，'|' 表示 or。所以对于 regex 搜索，这表示匹配 'apple'、'avocado' 或 'bannana'

kwstr = '|'.join(includeKeywords)
print(kwstr)

apple|avocado|bannana

堆叠会压扁我们的DataFrame

df.stack()

0  A     I need avocado
   B          something
1  A          something
   B    I eat margarina
2  A            useless
   B          eat apple
3  A            nothing
   B       more nothing
dtype: object

幸运的是，pandas.Series.str.contains 方法可以处理 regex 并且它会生成一个 bool 值 Series

df.stack().str.contains(kwstr)

0  A     True
   B    False
1  A    False
   B    False
2  A    False
   B     True
3  A    False
   B    False
dtype: bool

此时我们可以巧妙地使用 pandas.Series.any，建议它只关心 level=0

mask = df.stack().str.contains(kwstr).any(level=0)
mask

0     True
1    False
2     True
3    False
dtype: bool

通过使用 level=0，我们在生成的 Series 中保留了原始索引。这使得它非常适合过滤 df

df[mask]

                A          B
0  I need avocado  something
2         useless  eat apple