我有一个包含大量行(几百万)的数据框。其中一列包含一个包含逗号分隔列表的字符串(但不是 Python 列表,只是一个由逗号分隔的项目列表)。数据框可以表示为:
df = pd.DataFrame({'A':['a,b,c','b,c,d,e','a,b,e,f','a,c ,d,f']})
A
0 a,b,c
1 b,c,d,e
2 a,b,e,f
3 a,c,d,f
我有一个单独的 Python 列表,其中包含各种元素,例如:
lst1 = ['w','x','y','z','b']
我想在数据库中创建一个附加列,指示 lst1
中的元素之一是否包含在数据库的 A 列中。
我的解决方案是将列表元素转换为正则表达式,并使用 .str.contains()
结构将行标记为 True
或 错误
:
regex = regex = '|'.join(['(?:{})'.format(i) for i in lst1])
这会产生以下正则表达式:
(?:w)|(?:x)|(?:y)|(?:z)|(?:b)
然后:
df['B'] = df['A'].str.contains(正则表达式)
A B
0 a,b,c True
1 b,c,d,e True
2 a,b,e,f True
3 a,c,d,f False
这在所描述的迷你示例中运行良好,但在具有包含数百万行的数据框的真实示例中,我担心使用正则表达式可能太慢而不实用。有没有更快的方法来达到相同的结果?
编辑
根据@jezrael 的回答,我进行了时间比较。我生成了一个包含 400 万行的数据框和一个项目列表,如下所示:
import timeit
df = pd.DataFrame({'A':['the,cat,sat,on,mat','the,cow,jumped,over,moon','humpty,dumpty,sat,on,the,wall','tiger,burning,bright']*1000000})
terms = ['sat','mat','moon','small','large','home','sliced']
regex = '|'.join(['(?:{})'.format(i) for i in terms])
%timeit df['B'] = df['A'].str.contains(regex)
这产生了:
1 loop, best of 3: 8.09 s per loop
相比于:
import timeit
df = pd.DataFrame({'A':['the,cat,sat,on,mat','the,cow,jumped,over,moon','humpty,dumpty,sat,on,the,wall','tiger,burning,bright']*1000000})
terms = ['sat','mat','moon','small','large','home','sliced']
s = set(terms)
%timeit df['B1'] = [bool(set(x.split(',')) & s) for x in df['A']]
产生了:
1 loop, best of 3: 8.36 s per loop
虽然正如@jezrael 所说,正则表达式选项的性能将受到许多因素的影响,例如字符串长度、匹配项数量等,但在此特定设置中的结果非常相似。
最佳答案
一种非正则表达式的解决方案是使用集合的交集并转换为 bool
:
s = set(lst1)
df['B1'] = [bool(set(x.split(',')) & s) for x in df['A']]
print (df)
A B B1
0 a,b,c True True
1 b,c,d,e True True
2 a,b,e,f True True
3 a,c,d,f False False
关于python - 识别 Pandas 数据框列是否包含列表中的元素,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54763097/