Python 匹配列中未知数量的字符串元素

我有一个字符串列表，需要对数据框中的某一列进行搜索：

search_strings = ['foo bar', 'bar such foo', 'very wow foo']

我试图检索数据框中与列表中每个字符串中的单词顺序匹配的行。数据帧可能如下所示：

ID string_col
1  foo bar
2  bar foo
3  foo very bar
4  bar such foo
5  foo wow very

我很高兴地发现，我可以将“|”运算符与str.contains一起使用（检索所有5行）：

我想我可以循环浏览我的列表，拆分并使用“&”连接它们，以执行类似的操作（我错误地认为这将检索到4行）：

然而，事实证明，这不是你能做到的。你知道如何根据字符串列表轻松检索匹配列，每个字符串的字数未知吗

---

谢谢

您必须使用

str.contains

通过2个条件，并将它们用括号括起来，然后使用

&

：

In [11]:
df[df['string_col'].str.contains('foo') & df['string_col'].str.contains('bar')]

Out[11]:
   ID    string_col
0   1       foo bar
1   2       bar foo
2   3  foo very bar
3   4  bar such foo

---

您可以对拆分字符串使用列表理解，确保所有目标词都存在：

words = ['foo', 'bar']
df['word_match'] = [all(word in values for word in words) 
                    for values in df.string_col.str.split(" ")]

>>> df
   ID    string_col word_match
0   1       foo bar       True
1   2       bar foo       True
2   3  foo very bar       True
3   4  bar such foo       True
4   5       foo wow      False

计时

%timeit df['word_match'] = [all(word in values for word in words) for values in df.string_col.str.split(" ")]
1000 loops, best of 3: 320 µs per loop

%timeit df['word_match'] = df[df['string_col'].str.contains('foo') & df['string_col'].str.contains('bar')]
1000 loops, best of 3: 1.23 ms per loop

在较大的数据集上，第二种方法略优于：

df2 = pd.concat([df]*10000, ignore_index=True)

%timeit df2['word_match'] = [all(word in values for word in words) for values in df2.string_col.str.split(" ")]
10 loops, best of 3: 70.9 ms per loop

%timeit df2['word_match'] = df2[df2['string_col'].str.contains('foo') & df2['string_col'].str.contains('bar')]
10 loops, best of 3: 63.7 ms per loop

---

谢谢我对我的文章进行了更具体的编辑——我不知道需要匹配多少单词。你只是定义了多个掩码，然后

&

它们都是

foo\u mask=df['string\u col'].str.contains（'foo'）bar\u mask=df['string\u col'].str.contains（'bar'）filtered=df[foo&bar]

您可以成功构建这样的掩码，并将它们组合起来，但您可能希望使用

all（单词集合（值）…

%timeit df['word_match'] = [all(word in values for word in words) for values in df.string_col.str.split(" ")]
1000 loops, best of 3: 320 µs per loop

%timeit df['word_match'] = df[df['string_col'].str.contains('foo') & df['string_col'].str.contains('bar')]
1000 loops, best of 3: 1.23 ms per loop

df2 = pd.concat([df]*10000, ignore_index=True)

%timeit df2['word_match'] = [all(word in values for word in words) for values in df2.string_col.str.split(" ")]
10 loops, best of 3: 70.9 ms per loop

%timeit df2['word_match'] = df2[df2['string_col'].str.contains('foo') & df2['string_col'].str.contains('bar')]
10 loops, best of 3: 63.7 ms per loop