Python 在2个数据帧上使用NetAddress查看ip列是否落在具有布尔结果的cidr列中

我正在使用netaddr python库。我有两个数据帧，一个是IP范围，我将其转换为CIDR表示法，另一个是IP地址，我想看看它们是否属于任何范围

创建范围数据帧：

import pandas as pd
import netaddr
from netaddr import *

a = {'StartAddress': ['65.14.88.64', '148.77.37.88', '65.14.41.128', '65.14.40.0'],
 'EndAddress': ['65.14.88.95', '148.77.37.95','65.14.41.135', '65.14.40.255']}
df1 = pd.DataFrame(data=a)

#Convert range to netaddr cidr format
def rangetocidr(row):
    return netaddr.iprange_to_cidrs(row.StartAddress, row.EndAddress)    

df1["CIDR"] = df1.apply(rangetocidr, axis=1)

df1
    StartAddress  EndAddress    CIDR
0   65.14.88.64   65.14.88.95   [65.14.88.64/27]
1   148.77.37.88  148.77.37.95  [148.77.37.88/29]
2   65.14.41.128  65.14.41.135  [65.14.41.128/29]
3   65.14.40.0    65.14.40.255  [65.14.40.0/24]

df1["CIDR"].iloc[0]
[IPNetwork('65.14.88.64/27')]

创建IP数据帧：

b = {'IP': ['65.13.88.64', '148.65.37.88','65.14.88.65','148.77.37.93','66.15.41.132']}
df2 = pd.DataFrame(data=b)

#Convert ip to netaddr format
def iptonetaddrformat (row):
    return netaddr.IPAddress(row.IP)

df2["IP_Format"] = df2.apply(iptonetaddrformat, axis=1)
df2
    IP            IP_Format
0   65.13.88.64   65.13.88.64
1   148.65.37.88  148.65.37.88
2   65.14.88.65   65.14.88.65
3   148.77.37.93  148.77.37.93
4   66.15.41.132  66.15.41.132

df2["IP_Format"].iloc[0]
IPAddress('65.13.88.64')

如果IP位于

df1

的cidr块中，我希望在

df2

中添加一列。所以它看起来像：

df2
    IP            IP_Format     IN_CIDR
0   65.13.88.64   65.13.88.64   False
1   148.65.37.88  148.65.37.88  False
2   65.14.88.65   65.14.88.65   True
3   148.77.37.93  148.77.37.93  True
4   66.15.41.132  66.15.41.132  False

我更愿意只使用2个数据帧中的列来执行此操作，但我尝试过将列转换为列表并使用以下方法，但这似乎不起作用：

df2list = repr(df2[['IP_Format']])
df1list = df[['CIDR']]

def ipincidr (row):
    return netaddr.largest_matching_cidr(df2list, df1list)

df2['INRANGE'] = df2.apply(ipincidr, axis=1)

---

下面的解决方案基于这样的假设，即只有第四组IP发生变化，前三组保持不变，如所述

---

#将IP拆分为两部分uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu。
#对来自df2的IP以及来自df1的开始列和结束列执行此操作
ip=pd.DataFrame（df2.ip.str.rsplit（'.'，1，expand=True））
ip.columns=['ip_init'，'ip_last']
start=pd.DataFrame（df1.StartAddress.str.rsplit（'.'，1，expand=True））
start.columns=['start\u init'，'start\u last']
end=pd.DataFrame（df1.EndAddress.str.rsplit（'.'，1，expand=True））
end.columns=['end\u init'，'end\u last']
df=pd.concat（[ip，开始，结束]，轴=1）
#检查任何IP是否属于任何给定的块，如果是，请记下它们的索引
索引=[]
对于idx，枚举中的val（df.itertuples（））：
对于范围内的i（df.start_init.count（））：
如果df.loc[idx，'IP_init']==df.loc[i，'start_init']：
如果df.loc[idx，'IP_last']>=df.loc[i，'start_last']
和df.loc[idx，'IP_last']通常，你能解释一下IP什么时候属于CIDR的范围吗？举个例子，比如说
65.13.88.64
，你介意澄清一下
65.13.88.64
结果如何
True
，因为我没有看到
\uuuuuuu13的对应CIDR。这是一个很好的问题@meW我纠正了它的错误答案@meW这起作用了完美，即使我添加了更多的范围和IP的它仍然是准确的！我曾经学习过中央通讯社，但失去了所有的记忆。哈哈。享受吧！
# Splitting IP into 2 parts __.__.__ and __. 
# Doing this for IP from df2 along with Start and End columns from df1

ip = pd.DataFrame(df2.IP.str.rsplit('.', 1, expand=True))
ip.columns = ['IP_init', 'IP_last']

start = pd.DataFrame(df1.StartAddress.str.rsplit('.', 1, expand=True))
start.columns = ['start_init', 'start_last']

end = pd.DataFrame(df1.EndAddress.str.rsplit('.', 1, expand=True))
end.columns = ['end_init', 'end_last']

df = pd.concat([ip, start, end], axis=1)

# Checking if any IP belongs to any of the given blocks, if yes, note their index

index = []
for idx, val in enumerate(df.itertuples()):
    for i in range(df.start_init.count()):
        if df.loc[idx, 'IP_init'] == df.loc[i, 'start_init']:            
            if df.loc[idx, 'IP_last'] >= df.loc[i, 'start_last'] 
                  and df.loc[idx, 'IP_last'] <= df.loc[i, 'end_last']:
                index.append(idx)
                break


# Creating column IN_CIDR and marking True against the row which exists in IP block

df2['IN_CIDR'] = False
df2.loc[index, 'IN_CIDR'] = True
df2

    IP            IP_Format     IN_CIDR
0   65.13.88.64   65.13.88.64   False
1   148.65.37.88  148.65.37.88  False
2   65.14.88.65   65.14.88.65   True
3   148.77.37.93  148.77.37.93  True
4   66.15.41.132  66.15.41.132  False