我有一个我试图标准化的商店名称数据框。在这里测试的小样本:
import pandas as pd
df = pd.DataFrame({'store': pd.Series(['McDonalds', 'Lidls', 'Lidl New York 123', 'KFC', 'Lidi Berlin', 'Wallmart LA 90210', 'Aldi', 'London Lidl', 'Aldi627', 'mcdonaldsabc123', 'Mcdonald_s', 'McDonalds12345', 'McDonalds5555', 'McDonalds888', 'Aldi123', 'KFC-786', 'KFC-908', 'McDonalds511', 'GerALDInes Shop'],dtype='object',index=pd.RangeIndex(start=0, stop=19, step=1)), 'standard': pd.Series([pd.np.nan, pd.np.nan, pd.np.nan, pd.np.nan, pd.np.nan, pd.np.nan, pd.np.nan, pd.np.nan, pd.np.nan, pd.np.nan, pd.np.nan, pd.np.nan, pd.np.nan, pd.np.nan, pd.np.nan, pd.np.nan, pd.np.nan, pd.np.nan, pd.np.nan],dtype='float64',index=pd.RangeIndex(start=0, stop=19, step=1))}, index=pd.RangeIndex(start=0, stop=19, step=1))
store standard
0 McDonalds NaN
1 Lidls NaN
2 Lidl New York 123 NaN
3 KFC NaN
4 Lidi Berlin NaN
5 Wallmart LA 90210 NaN
6 Aldi NaN
7 London Lidl NaN
8 Aldi627 NaN
9 mcdonaldsabc123 NaN
10 Mcdonald_s NaN
11 McDonalds12345 NaN
12 McDonalds5555 NaN
13 McDonalds888 NaN
14 Aldi123 NaN
15 KFC-786 NaN
16 KFC-908 NaN
17 McDonalds511 NaN
18 GerALDInes Shop NaN
我设置了一个正则表达式字典来搜索一个字符串,并将商店名称的标准化版本插入到列
standard
中。 .这适用于这个小数据框:# set up the dictionary
regex_dict = {
"McDonalds": r'(mcdonalds|mcdonald_s)',
"Lidl" : r'(lidl|lidi)',
"Wallmart":r'wallmart',
"KFC": r'KFC',
"Aldi":r'(\baldi\b|\baldi\d+)'
}
# loop through dictionary, using str.replace
for regname, regex_formula in regex_dict.items():
df.loc[df['store'].str.contains(regex_formula,na=False,flags=re.I), 'standard'] = regname
print(df)
store standard
0 McDonalds McDonalds
1 Lidls Lidl
2 Lidl New York 123 Lidl
3 KFC KFC
4 Lidi Berlin Lidl
5 Wallmart LA 90210 Wallmart
6 Aldi Aldi
7 London Lidl Lidl
8 Aldi627 Aldi
9 mcdonaldsabc123 McDonalds
10 Mcdonald_s McDonalds
11 McDonalds12345 McDonalds
12 McDonalds5555 McDonalds
13 McDonalds888 McDonalds
14 Aldi123 Aldi
15 KFC-786 KFC
16 KFC-908 KFC
17 McDonalds511 McDonalds
18 GerALDInes Shop NaN
问题是我有大约六百万行要标准化,正则表达式字典比这里显示的要大得多。 (许多不同的商店名称,有一些拼写错误等)
我想做的是在每个循环中,只使用
str.contains
对于具有 的行不是 已标准化,并忽略已标准化的行。这个想法是减少每个循环的搜索空间,从而减少整体处理时间。我已经通过
standard
测试了索引专栏,只表演str.contains
在 standard
的行上是 Nan
,但它不会导致任何真正的加速。找出哪些行是 Nan
仍然需要时间申请前str.contains
.这是我试图减少每个循环的处理时间的方法:
for regname, regex_formula in regex_dict.items():
# only apply str.contains to rows where standard == NAN
df.loc[df['standard'].isnull() & df['store'].str.contains(regex_formula,na=False,flags=re.I), 'standard'] = regname
这有效..但是在我的全部 600 万行上使用它对速度没有真正的影响。
甚至有可能在 600 万行的数据帧上加快速度吗?
最佳答案
另一种方法是先提取组,然后像下面这样替换,你的循环方法仍然更好。
我们需要稍微改变 regex_dict,
regex_dict = {
r'mcdonalds|mcdonald_s':"McDonalds",
r'lidl|lidi':"Lidl",
r'wallmart': "Wallmart",
r'kfc':"KFC" ,
r'aldi|aldi':"Aldi"
}
df.str.extract(r'('+ '|'.join(regex_dict.keys())+')',expand=False).replace(regex_dict,regex=True)
0 McDonalds
1 Lidl
2 Lidl
3 KFC
4 Lidl
关于python - 如何加快对数百万行的多个 str.contains 搜索?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/60015726/