web-dev-qa-db-fra.com

pandas dataframe str.contains () AND opération

df (Pandas Dataframe) a trois lignes.

some_col_name
"Apple is delicious"
"banana is delicious"
"Apple and banana both are delicious"

df.col_name.str.contains("Apple|banana")

va attraper toutes les lignes:

"Apple is delicious",
"banana is delicious",
"Apple and banana both are delicious".

Comment puis-je appliquer l'opérateur AND sur la méthode str.contains, de sorte qu'il n'attrape que les chaînes qui contiennent les deux Apple & banana?

"Apple and banana both are delicious"

Je voudrais saisir des chaînes contenant 10 à 20 mots différents (raisin, pastèque, baie, orange, ..., etc.)

pythonstringpandasdataframe
17
Aerin

Vous pouvez le faire comme suit:

df[(df['col_name'].str.contains('Apple')) & (df['col_name'].str.contains('banana'))]
13
flyingmeatball
df = pd.DataFrame({'col': ["Apple is delicious",
                           "banana is delicious",
                           "Apple and banana both are delicious"]})

targets = ['Apple', 'banana']

# Any Word from `targets` are present in sentence.
>>> df.col.apply(lambda sentence: any(Word in sentence for Word in targets))
0    True
1    True
2    True
Name: col, dtype: bool

# All words from `targets` are present in sentence.
>>> df.col.apply(lambda sentence: all(Word in sentence for Word in targets))
0    False
1    False
2     True
Name: col, dtype: bool
14
Alexander

Vous pouvez également le faire dans un style d'expression régulière:

df[df['col_name'].str.contains(r'^(?=.*Apple)(?=.*banana)')]

Vous pouvez ensuite construire votre liste de mots dans une chaîne d'expression régulière comme ceci:

base = r'^{}'
expr = '(?=.*{})'
words = ['Apple', 'banana', 'cat']  # example
base.format(''.join(expr.format(w) for w in words))

rendra:

'^(?=.*Apple)(?=.*banana)(?=.*cat)'

Ensuite, vous pouvez faire votre travail de manière dynamique.

8
Anzel

Cela marche

df.col.str.contains(r'(?=.*Apple)(?=.*banana)',regex=True)
5
Charan Reddy

si vous voulez saisir au moins au moins deux mots dans la phrase, cela fonctionnera peut-être (en prenant le conseil de @Alexander):

target=['Apple','banana','grapes','orange']
connector_list=['and']
df[df.col.apply(lambda sentence: (any(Word in sentence for Word in target)) & (all(connector in sentence for connector in connector_list)))]

production:

                                   col
2  Apple and banana both are delicious

si vous avez plus de deux mots à attraper qui sont séparés par une virgule ',' ajoutez-le à la liste de connecteurs et modifiez la deuxième condition de tous à n'importe quel

df[df.col.apply(lambda sentence: (any(Word in sentence for Word in target)) & (any(connector in sentence for connector in connector_list)))]

production:

                                        col
2        Apple and banana both are delicious
3  orange,banana and Apple all are delicious
2
Siraj S.

Si vous souhaitez uniquement utiliser des méthodes natives et éviter d'écrire des expressions rationnelles, voici une version vectorisée sans lambda impliqué:

targets = ['Apple', 'banana', 'strawberry']
fruit_masks = (df['col'].str.contains(string) for string in targets)
combined_mask = np.vstack(fruit_masks).all(axis=0)
df[combined_mask]
2
Sergey Zakharov

Essayez ce regex

Apple.*banana|banana.*Apple

Le code est:

import pandas as pd

df = pd.DataFrame([[1,"Apple is delicious"],[2,"banana is delicious"],[3,"Apple and banana both are delicious"]],columns=('ID','String_Col'))

print df[df['String_Col'].str.contains(r'Apple.*banana|banana.*Apple')]

Sortie

   ID                           String_Col
2   3  Apple and banana both are delicious
1
pmaniyan

Énumérer toutes les possibilités de grandes listes est lourd. Une meilleure façon consiste à utiliser reduce() et l'opérateur ET au niveau du bit (&).

Par exemple, considérez le DataFrame suivant:

df = pd.DataFrame({'col': ["Apple is delicious",
                       "banana is delicious",
                       "Apple and banana both are delicious",
                       "i love Apple, banana, and strawberry"]})

#                                    col
#0                    Apple is delicious
#1                   banana is delicious
#2   Apple and banana both are delicious
#3  i love Apple, banana, and strawberry

Supposons que nous voulions rechercher tous les éléments suivants:

targets = ['Apple', 'banana', 'strawberry']

Nous pouvons faire:

#from functools import reduce  # needed for python3
print(df[reduce(lambda a, b: a&b, (df['col'].str.contains(s) for s in targets))])

#                                    col
#3  i love Apple, banana, and strawberry
1
pault