python - str - pandas split column

pandas+dataframe-seleccionar por cadena parcial

Question

Tengo un DataFrame con 4 columnas de las cuales 2 contienen valores de cadena. Me preguntaba si habría una manera de seleccionar filas basadas en una cadena de concordancia parcial con una columna en particular.

En otras palabras, una función o función lambda que haría algo como

re.search(pattern, cell_in_question) 

devolviendo un booleano. Estoy familiarizado con la sintaxis de df[df[''A''] == "hello world"] pero parece que no puedo encontrar la manera de hacer lo mismo con una cadena de caracteres parcial que diga ''hello'' .

¿Alguien podría apuntarme en la dirección correcta?

Answer 1

¿Cómo filtraría la "libertad" excepto con más criterios como "legado", "úlico", etc.?

   df_Fixed[~df_Fixed["Busler Group"].map(lambda x: x.startswith(''Liberty''))]

Answer 2

Digamos que tienes el siguiente DataFrame :

>>> df = pd.DataFrame([[''hello'', ''hello world''], [''abcd'', ''defg'']], columns=[''a'',''b''])
>>> df
       a            b
0  hello  hello world
1   abcd         defg

Siempre puede usar el operador in en una expresión lambda para crear su filtro.

>>> df.apply(lambda x: x[''a''] in x[''b''], axis=1)
0     True
1    False
dtype: bool

El truco aquí es usar la opción axis=1 en la apply para pasar elementos a la función lambda fila por fila, en lugar de columna por columna.

Answer 3

Esto es lo que terminé haciendo para coincidencias de cadenas parciales. Si alguien tiene una forma más eficiente de hacerlo, hágamelo saber.

def stringSearchColumn_DataFrame(df, colName, regex):
    newdf = DataFrame()
    for idx, record in df[colName].iteritems():

        if re.search(regex, record):
            newdf = concat([df[df[colName] == record], newdf], ignore_index=True)

    return newdf

Answer 4

Estoy usando pandas 0.14.1 en macos en el portátil ipython. Probé la línea propuesta arriba:

df[df[''A''].str.contains("Hello|Britain")]

y obtuve un error:

"cannot index with vector containing NA / NaN values"

pero funcionó perfectamente cuando se agregó una condición "== True", como esta:

df[df[''A''].str.contains("Hello|Britain")==True]

Answer 5

Nota rápida: si desea realizar una selección basada en una cadena parcial contenida en el índice, intente lo siguiente:

df[''stridx'']=df.index
df[df[''stridx''].str.contains("Hello|Britain")]

Answer 6

Según el número github #620 , parece que pronto podrás hacer lo siguiente:

df[df[''A''].str.contains("hello")]

Actualización: los métodos de cadenas vectorizadas (es decir, Series.str) están disponibles en pandas 0.8.1 y superiores.

Answer 7

Si alguien se pregunta cómo realizar un problema relacionado: "Seleccionar columna por cadena parcial"

Utilizar:

df.filter(like=''hello'')  # select columns which contain the word hello

Y para seleccionar filas por coincidencia parcial de cadena, pase el axis=0 para filtrar

# selects rows which contain the word hello in their index label
df.filter(like=''hello'', axis=0)  

Answer 8

import pandas as pd
k=pd.DataFrame([''hello'',''doubt'',''hero'',''help''])
k.columns=[''some_thing'']
t=k[k[''some_thing''].str.contains("hel")]
d=k.replace(t,''CS'')

:::SALIDA:::

k
Out[95]: 
   some_thing
0  hello
1  doubt
2  hero
3   help

t
Out[99]: 
   some_thing
0  hello
3   help

d
Out[96]: 
    some_thing
0     CS
1  doubt
2  hero
3     CS