在python中通过子字符串匹配两个数据帧

我有两个大数据帧（1000行），我需要通过子字符串来匹配它们，例如：

df1：

df2：

预计产量为：

Id    Title                    Keyword
1     The house of pump        house
2     Where is Andijan         andijan
3     The Joker                joker
4     Good bars in Andijan     andijan
5     What a beautiful house   house

现在，我写了一种非常不高效的方法来匹配它，但是对于数据帧的实际大小，它运行了非常长的时间：

for keyword in df2.to_dict(orient='records'):
    df1['keyword'] = np.where(creative_df['title'].str.contains(keyword['keyword']), keyword['keyword'], df1['keyword'])

---

现在，我相信有一种更友好、更高效的方法可以做到这一点，并且可以让它在合理的时间内运行。

让我们试试

findall

import re
df1['new'] = df1.Title.str.findall('|'.join(df2.Keyword.tolist()),flags= re.IGNORECASE).str[0]
df1
   Id                   Title      new
0   1       The house of pump    house
1   2        Where is Andijan  Andijan
2   3               The Joker    Joker
3   4    Good bars in Andijan  Andijan
4   5  What a beautiful house    house

---

进一步开发@BENY的解决方案，以便能够获得每个标题的多个关键字：

regex='|'.join（关键字['Keyword']）
关键词=df['Title'].str.findall（regex，flags=re.IGNORECASE）
关键词\u explode=pd.DataFrame（关键字.explode（）.dropna（））
合并（关键字分解，左索引=真，右索引=真）

不错。我相信在这种情况下，我们可以放弃“.tolist（）”作为“join”将给熊猫系列带来相同的结果。就漂亮的熊猫语法而言，我喜欢这个解决方案！但是，就性能而言，此解决方案仍在运行相当长的一段时间而没有完成。为了便于参考，大约有65000个关键字。你知道如何提高效率吗？我最终选择了这个解决方案。为了提高运行效率，我将关键字计数减少到~1000，并分批运行我的进程。这可能是最好的办法。

for keyword in df2.to_dict(orient='records'):
    df1['keyword'] = np.where(creative_df['title'].str.contains(keyword['keyword']), keyword['keyword'], df1['keyword'])

import re
df1['new'] = df1.Title.str.findall('|'.join(df2.Keyword.tolist()),flags= re.IGNORECASE).str[0]
df1
   Id                   Title      new
0   1       The house of pump    house
1   2        Where is Andijan  Andijan
2   3               The Joker    Joker
3   4    Good bars in Andijan  Andijan
4   5  What a beautiful house    house