在 Pandas 数据帧上查找特定正则表达式匹配的列和行索引

Question

假设我有一个 pandas 数据框，其单元格中包含字符串内容。

找到与特定正则表达式匹配的字符串然后返回元组列表及其各自的行和列索引的最佳方法是什么？

即，

import pandas as pd
mydf = pd.DataFrame({'a':['hello', 'world'], 'b': ['hello', 'folks']})

def findIndex(mydf, regex):
    return regex_indexes

如果我这样做：

regex = r"hello"
findIndex(mydf, regex) # it'd return [(0,0), (0,1)],

如果我这样做：

regex = r"matt"
findIndex(mydf, regex) # it'd return [(-1,-1)],

如果我这样做：

regex = r"folks"
findIndex(mydf, regex) # it'd return [(1,1)], 

我可以在 pd.DataFrame 上做一个双 for 循环，但想知道其他想法是否更好......

Answer 1

您可以尝试使用apply、str.match 和nonzero。

def findIdx(df, pattern):
    return df.apply(lambda x: x.str.match(pattern)).values.nonzero()

findIdx(mydf, r"hello")
(array([0, 0]), array([0, 1]))

• df.apply(lambda x: x.str.match(pattern)).values 返回与df 相同大小的数组，其中True 表示匹配，False 否则。

• 然后我们使用nonzero 来查找1(True) 部分的索引。

它将返回与数组元组中的模式匹配的索引。如果你需要 元组列表，使用list(zip(*findIdx(mydf, r"hello")))

[(0, 0), (0, 1)] 

或np.transpose(findIdx(mydf, r"hello"))。

---

如果需要在没有找到的情况下返回None，可以尝试

def findIdx(df, pattern):
    ret = df.apply(lambda x: x.str.match(pattern)).values.nonzero()
    return None if len(ret[0]) == 0 else ret

---

注意：str.match 在钩子下使用re.match。在此示例函数中，它将匹配 以pattern 开头的字符串。如果要查找字符串是否包含pattern 作为子字符串，请使用str.contains 而不是str.match。