Python 串联多个子串的Pandas滤波

我需要过滤

pandas

dataframe中的行，以便特定的字符串列至少包含所提供的子字符串列表中的一个。子字符串可能具有不寻常的/regex字符。比较不应涉及regex，并且不区分大小写

例如：

lst = ['kdSj;af-!?', 'aBC+dsfa?\-', 'sdKaJg|dksaf-*']

我当前应用的遮罩如下所示：

mask = np.logical_or.reduce([df[col].str.contains(i, regex=False, case=False) for i in lst])
df = df[mask]

---

我的数据帧很大（~1mio行），并且

lst

的长度为100。有没有更有效的方法？例如，如果找到

lst

中的第一项，我们不必测试该行的任何后续字符串。

如果您坚持使用纯熊猫，出于性能和实用性考虑，我认为您应该使用regex来完成此任务。但是，您需要首先正确转义子字符串中的任何特殊字符，以确保它们按字面意思匹配（而不是用作正则表达式元字符）

这很容易通过以下方式实现：

然后可以使用正则表达式管道将这些转义的子字符串连接起来。可以对照字符串检查每个子字符串，直到其中一个匹配为止（或者它们都经过测试）

然后，掩蔽阶段成为通过行的单个低级循环：

df[col].str.contains(pattern, case=False)

---

以下是一个简单的设置，以获得性能感：

from random import randint, seed

seed(321)

# 100 substrings of 5 characters
lst = [''.join([chr(randint(0, 256)) for _ in range(5)]) for _ in range(100)]

# 50000 strings of 20 characters
strings = [''.join([chr(randint(0, 256)) for _ in range(20)]) for _ in range(50000)]

col = pd.Series(strings)
esc_lst = [re.escape(s) for s in lst]
pattern = '|'.join(esc_lst)

建议的方法大约需要1秒（因此对于一百万行，可能需要20秒）：

使用相同的输入数据，问题中的方法大约花费了5秒钟

值得注意的是，这些时间是“最坏情况”，因为没有匹配项（因此所有子字符串都已检查）。如果有比赛的话，比赛的时间会更好

您可以尝试使用。在平均情况下，它是

O（n+m+p）

，其中

n

是搜索字符串的长度，

m

是搜索文本的长度，

p

是输出匹配数

Aho Corasick算法是在输入文本（草堆）中找到多个模式（针）

是一个围绕该算法的C实现的Python包装器

---

让我们比较一下它的速度和一些替代方案。以下是一个基准 使用_aho_corasick显示

比原始方法快30倍以上
（如问题所示）在50K行数据帧测试用例上：

|                    |     speed factor | ms per loop |
|                    | compared to orig |             |
|--------------------+------------------+-------------|
| using_aho_corasick |            30.7x |         140 |
| using_regex        |             2.7x |        1580 |
| orig               |             1.0x |        4300 |



这里是用于基准测试的设置。它还验证输出是否与
orig
返回的结果匹配：

import numpy as np
import random
import pandas as pd
import ahocorasick
import re

random.seed(321)

def orig(col, lst):
    mask = np.logical_or.reduce([col.str.contains(i, regex=False, case=False) 
                                 for i in lst])
    return mask

def using_regex(col, lst):
    """https://stackoverflow.com/a/48590850/190597 (Alex Riley)"""
    esc_lst = [re.escape(s) for s in lst]
    pattern = '|'.join(esc_lst)
    mask = col.str.contains(pattern, case=False)
    return mask

def using_ahocorasick(col, lst):
    A = ahocorasick.Automaton(ahocorasick.STORE_INTS)
    for word in lst:
        A.add_word(word.lower())
    A.make_automaton() 
    col = col.str.lower()
    mask = col.apply(lambda x: bool(list(A.iter(x))))
    return mask

N = 50000
# 100 substrings of 5 characters
lst = [''.join([chr(random.randint(0, 256)) for _ in range(5)]) for _ in range(100)]

# N strings of 20 characters
strings = [''.join([chr(random.randint(0, 256)) for _ in range(20)]) for _ in range(N)]
# make about 10% of the strings match a string from lst; this helps check that our method works
strings = [_ if random.randint(0, 99) < 10 else _+random.choice(lst) for _ in strings]

col = pd.Series(strings)

expected = orig(col, lst)
for name, result in [('using_regex', using_regex(col, lst)),
                     ('using_ahocorasick', using_ahocorasick(col, lst))]:
    status = 'pass' if np.allclose(expected, result) else 'fail'
    print('{}: {}'.format(name, status))

将numpy导入为np
随机输入
作为pd进口熊猫
进口病
进口稀土
随机种子（321）
def orig（col，lst）：
mask=np.logical_或.reduce（[col.str.contains（i，regex=False，case=False）
对于i（在lst中]）
返回掩码
使用正则表达式（列、列）的def：
"""https://stackoverflow.com/a/48590850/190597 （亚历克斯·莱利）“”
esc_lst=[关于lst中s的转义]
模式=“|”。连接（esc|lst）
掩码=col.str.contains（模式，大小写=False）
返回掩码
def使用_Ahocarasick（col，lst）：
A=ahocarasick.Automaton（ahocarasick.STORE\u INTS）
对于lst中的单词：
A.add_单词（word.lower（））
A.制造自动化设备（）
col=col.str.lower（）
掩码=列应用（lambda x:bool（列表（A.iter（x）））
返回掩码
N=50000
#100个5个字符的子字符串
lst=[''.join（[chr（random.randint（0256））表示范围内（5）]）表示范围内（100）]
#N个20个字符的字符串
strings=[''.join（[chr（random.randint（0，256））表示范围内的（20）]）表示范围内的（N）]
#使大约10%的字符串与lst中的字符串匹配；这有助于检查我们的方法是否有效
strings=[[if random.randint（0,99）<10 else+random.choice（lst）for in strings]
col=pd.系列（字符串）
预期值=原始值（col，lst）
对于名称，结果为[（'using_regex'，using_regex（col，lst）），
（'using_ahocarasick'，using_ahocarasick（col，lst））：
状态='pass'如果np.allclose（预期，结果）或'fail'
打印（“{}:{}”。格式（名称、状态））
使用一个更简单的示例&忽略大小写（大写或小写）
过滤并获取二进制向量：
我想找到包含“at”或“Og”的
pd.Series
，
v
的所有元素。如果元素包含模式，则得到1；如果元素不包含模式，则得到0

我将使用
re：
import re

我的向量：

v=pd.Series(['cAt','dog','the rat','mouse','froG'])

[Out]:

0        cAt
1        dog
2    the rat
3      mouse
4       froG

我想找到v中包含“at”或“Og”的所有元素。
也就是说，我可以将我的
模式定义为：

pattern='at|Og'

因为如果项目包含模式，我想要一个带1的向量，如果不包含模式，我想要一个带0的向量

我创建一个与v长度相同的酉向量：

v_binary=[1]*len(v)

如果
v
的一个元素包含
模式
或
不包含模式
则获得一个布尔值
s
，即
True

s=v.str.contains(pattern, flags=re.IGNORECASE, regex=True)

为了获得二进制向量，我将
v_二进制
*
s
相乘：

v_binary*s

[Out]

0    1
1    1
2    1
3    0
4    1

非常有趣。是否有可能在熊猫数据帧中使用这个包，或者会降低性能（因为我猜是循环）？上面显示的基准仍然适用。上面，
A.iter
在对
col.apply
的调用中被调用，其中
col
是一个系列。这与使用熊猫数据帧所做的工作没有太大区别（甚至可能完全相同）。使用
apply
与简单的Python循环具有大致相同的性能，但是您仍然可以从使用Aho Corasick算法中获得好处。或者只使用
s.astype（int）
而不是整个二进制向量逻辑。我看不出与之有什么根本的区别或好处，你能看到吗？你说得太对了！谢谢你，我会编辑我的帖子并把它放在里面。事实上，我遇到了一个问题。你能帮我一下吗：
pattern='wiring | media | elect
'
v=pd.Series（['electronic fault']）
s=v.str.contains（pattern，flags=re.IGNORECASE，regex=True）
打印输出是：
0假数据类型：bool
如果我想要精确匹配怎么办？例如“老鼠”？pattern='t
pattern='at|Og'

v_binary=[1]*len(v)

s=v.str.contains(pattern, flags=re.IGNORECASE, regex=True)

v_binary*s

[Out]

0    1
1    1
2    1
3    0
4    1