Pandas DataFrame 之间的部分字符串匹配

Question

我已经看到关于部分字符串匹配合并 here、here 和其他地方的讨论，但没有关于如何在包含超字符串而不是子字符串的表上执行此操作。

给定样本数据

df1 = pd.DataFrame({'uri': ['http://www.foo.com/index', 
                            'https://bar.net/directory', 
                            'www.baz.gov/aboutus']})
df2 = pd.DataFrame({'fqdn': ['www.foo.com',
                             'www.qux.mil']})

print(df1)

                         uri
0   http://www.foo.com/index
1  https://bar.net/directory
2        www.baz.gov/aboutus

print(df2)

          fqdn
0  www.foo.com
1  www.qux.mil

我的最终目标是从df1 中删除包含df2 中any 子字符串的行。在实际数据中，df1 有几百万行，df2 有几百行，df1 中的任何给定行在df2 中最多有一个子字符串。

鉴于示例数据，我希望最终得到一个类似的数据框

                         uri
0  https://bar.net/directory
1        www.baz.gov/aboutus

按照我的逻辑，中间步骤是生成

                         uri           fqdn
0   http://www.foo.com/index    www.foo.com
1  https://bar.net/directory         np.NaN
2        www.baz.gov/aboutus         np.NaN

但我不知道如何检查df2 在df1.apply() 中的所有值。

---

编辑：

虽然下面的两个答案都有效，但通过编译正则表达式对象并使用extract，我在特定场景中获得了最快的结果：

import re

fqdn_list= re.compile(f"({'|'.join(df2.fqdn)})")

df1['fqdn'] = df1.uri.str.extract(fqdn_list)

Answer 1

这是你需要的吗？ str.findall

df1.uri.str.findall(df2.fqdn.str.cat(sep='|')).str[0]
Out[192]: 
0    www.foo.com
1            NaN
2            NaN
Name: uri, dtype: object
#df1['fqdn']=df1.uri.str.findall(df2.fqdn.str.cat(sep='|')).str[0]

Answer 2

将df2 中的字符串与管道 (|) 连接起来，作为分隔符，它是正则表达式中的 or 运算符。这样我们就可以检查df1 是否包含这些字符串，并使用str.contains 和~（即not 运算符）删除它们；

m = ~df1['uri'].str.contains('|'.join(df2['fqdn']))
df1[m]

输出

                         uri
1  https://bar.net/directory
2        www.baz.gov/aboutus