R pandas中的矢量化列式正则表达式匹配 第一部分

假设我有一个数据集df，如下所示：

x   | y     
----|--------
foo | 1.foo-ya
bar | 2.bar-ga
baz | 3.ha-baz
qux | None

我想在y中精确地包含y包含x的行（不开始也不结束），即匹配模式“^ ++W+.+$，命中行1和2”，不包括NON/NAN:

x   | y
----|-----
foo | 1.foo-ya
bar | 2.bar-ga

这是一种典型的成对字符比较，在SQL中很容易实现：

从df中选择x，y，其中y像concat（'^.+'，x'.+%'）；

或在R中：

库（dplyr）
图书馆（stringr）
图书馆（胶水）
df%>%过滤器（str_检测（y，glue（'^.+{x}.+$））

但由于我不是熊猫方面的专家，似乎熊猫中没有类似的简单“矢量化”正则表达式匹配方法？我采用了lambda方法：

将熊猫作为pd导入
进口稀土
df.loc[df.apply（lambda行：bool）（重新搜索(
“^.+'+行.x+'.+$”，行.y））
如果row.x和row.y为False，则轴=1），：]

熊猫有没有更优雅的方法来完成它

第二部分 此外，我想提取第一部分中生成的匹配记录中的前导数字（1，2，…）：

x   | y        |  z
----|----------|---
foo | 1.foo-ya |  1
bar | 2.bar-ga |  2

在R中，我可以直接进行管道争吵：

df%>%
过滤器（str_detect（y，glue（'^.+{x}.+$）））%>%
突变（z=str_替换（y，粘合（'^（\\d+\\\.{x}.+$'），'\\1'）%>%
as（数字）

但在熊猫中，我只知道lambda方法。有没有比这更好的方法

a=df.loc[df.apply（lambda行：bool(
重新搜索（'^.+'+行.x+'.+$'，行.y））
如果第x行和第y行为假，则轴=1），
['x'，'y']]
a['z']=a.apply（lambda行：re.sub(
r'^（\d+\.+row.x+'.+$'，r'\1'，row.y），轴=1.aType（'int'））
A.

顺便说一句，

assign

方法无法工作

df.loc[df.apply(lambda row: bool(re.search(
                '^.+' + row.x + '.+$', row.y))
                if row.x and row.y else False, axis=1), 
       ['x', 'y']].assign(z=lambda row: re.sub(
                r'^(\d+)\.' + row.x + '.+$', r'\1', row.y))

---

谢谢大家!

字符串操作构建在python的字符串和re模块上。试一试，看看这是不是你想要的：

import re

#find out if values in column x are in column y
#according to the pattern u wrote in the question
pattern = [re.match(fr'^.+{a}.+$',b)
           for a,b 
           in zip(df.x.str.strip(),
                  df.y.str.strip())
          ]

match = [ent.group() if ent is not None else np.nan for ent in pattern]

#extract values for digit immediately preceding val in col x    
ext = [re.search(fr'\d(?=\.{a})', b) for a,b  in 
       zip(df.x.str.strip(),
           df.y.str.strip())]

extract = [ent.group() if ent is not None else np.nan for ent in ext]

df['match'], df['extract'] = match, extract

     x     y        match   extract
1   foo 1.foo-ya    1.foo-ya    1
2   bar 2.bar-ga    2.bar-ga    2
3   baz 3.ha-baz      NaN      NaN
4   qux    None       NaN      NaN

---

感谢所有鼓舞人心的回复。我不得不说，尽管Python在很多方面都很优秀，但在这种矢量化操作方面，我更喜欢R。所以我为这个案子重新设计了轮子

def str_detect（字符串：pd.Series，模式：pd.Series）->List[bool]：
“”“模拟str\u在R中检测
"""
如果len（字符串）>len（模式）：
extend（[pattern[-1]]*（len（string）-len（pattern）））
elif len（字符串）List[str]：
“”“模仿R中的stru提取”
"""
如果len（字符串）>len（模式）：
extend（[pattern[-1]]*（len（string）-len（pattern）））
elif len（字符串）

然后

df.loc[str\u检测(
df['y']，'^.+'+df['x']+'.+$），['x'，y']]
（df）
.assign（z=str\u extract（df['y']，r'^（\d+）（=\.+df['x']+'））
.dropna（子集=['z']）
.loc[：，['x'，'y'，'z']]

您是否需要

df[df['x'].eq（df['y'].str.split（'\.\124;-'）.str[1]）]

？您可以根据需要更改拆分的正则表达式df.assign（foo=df['y'].str.extract（'\d\.（\w+）））.query（'x==foo'）.drop（'foo'，axis=1）。assign（num=df['y'].str.extract（'（^\d'））是一次性解决方案。@datanoveler，谢谢。“正好在中间”只意味着匹配模式r'^.+{column x}.+$”。上面的方法有效吗？@datanoveler，是的，两者都有效。谢谢但如果模式在整个数据集中不一致怎么办？是否有一种矢量化的方法来首先识别按列匹配？