使用 .split（） 和 .strip（） 从 DataFrame 对象列中提取字符串

我用来尝试重现您的问题的输入数据

• 它基于您发布的单元格的内容，
• 我添加了第二行，其中包含简单修改的数字。

my_list = ['XDX_AbCd_XY_3351', 'XDX_AbCd_XY_3335']

merged_tstbr = pd.DataFrame({'ID': ['XDX_AbCd_XY_2415;\nXDX_AbCd_XY_3335;\nXDX_AbCd_XY_3351;\nXDX_AbCd_XY_3354',
                                    'XDX_AbCd_XY_1234;\nXDX_AbCd_XY_4565;\nXDX_AbCd_XY_3579;\nXDX_AbCd_XY_7592']})

输入数据帧中的每个单元格都包含一个字符串中的多个 ID：

                                                  ID
0  XDX_AbCd_XY_2415;\nXDX_AbCd_XY_3335;\nXDX_AbCd...
1  XDX_AbCd_XY_1234;\nXDX_AbCd_XY_4565;\nXDX_AbCd...

请确认这与你的输入匹配，否则提供数据帧构造函数。

问题：

你似乎认为这会删除分号，但事实并非如此，除非你强迫它这样做。您可以使用（在下面的代码中注释掉）来验证这一点：您正在测试成员资格，仍然有关于它们的分号：.strip()printrow_values

['XDX_AbCd_XY_2415;', 'XDX_AbCd_XY_3335;', 'XDX_AbCd_XY_3351;', 'XDX_AbCd_XY_3354']

快速修复：

1. 要么将其添加到 ，则不需要：.split().strip()

for index, row in merged_tstbr.iterrows():
    row_values = [value for value in row['ID'].split(';\n')]       
    #print(row_values)
    matching = [value for value in row_values if value in my_list]
    tstbr_anf.extend(matching)

2. 或者强迫关心：.strip()

    row_values = [value.strip(';') for value in row['ID'].split('\n')]

两者都将输出为：tstbr_anf

['XDX_AbCd_XY_3335', 'XDX_AbCd_XY_3351']

现在为什么这个问题只出现在 6 个 ID 上，我们只能知道您何时提供更大的输入数据。可能是分号只存在于少数单元格中。

如果您的数据看起来与您上一个问题中的任何问题类似：如何使用 Pandas 在 Python 中搜索数据帧列中的任何和所有值，那么实际上并非所有 ID 都有分号，但它也可能是其他不需要的字符。

备选建议

下面的两步过程将提取这些 ID，并在列表中保留仅存在于my_list中的 ID。然后，您可以直接分配给 。tstbr_anf

1. 清理 ID
   • 生成列表列表，从该 DataFrame 列中按单元格生成一个子列表）
   • 分号的计数可能并非在所有情况下都存在

L = merged_tstbr['ID'].str.split(pat = ';\n|\n', regex=True)

0    [XDX_AbCd_XY_2415, XDX_AbCd_XY_3335, XDX_AbCd_...
1    [XDX_AbCd_XY_1234, XDX_AbCd_XY_4565, XDX_AbCd_...

2. 下一步同时执行两件事：
   • 将“子列表列表”展平为一个简单的列表
   • 并根据my_list进行筛选

my_set = set(my_list) # sets allow faster membership search

tstbr_anf = [item 
             for sublist in L
             for item in sublist 
             if item in my_set]

最终输出：

['XDX_AbCd_XY_3335', 'XDX_AbCd_XY_3351']

正如你所看到的，我们已经去掉了中间列表，它是代码中每行迭代的临时产物。matching

引用

• 双重理解：如何从列表列表中制作一个平面列表？
• 成员资格测试性能：Python 集与列表

假设您想查找列表和系列中所有项的全局交集，我将使用交集和正则表达式拆分：set

my_list = ['XDX_AbCd_XY_3351', 'XDX_AbCd_XY_3335']
my_set = set(my_list)

out = my_set.intersection(merged_tstbr['ID'].str.split('[;\n]+').explode())

# or
out = my_set.intersection(set().union(*merged_tstbr['ID'].str.split('[;\n]+')))

输出示例：{'XDX_AbCd_XY_3335', 'XDX_AbCd_XY_3351'}

如果您想要每行的交集：

import re

my_set = set(my_list)
out = [my_set.intersection(re.split('[;\n]+', s)) for s in merged_tstbr['ID']]

对于新列：

merged_tstbr['new'] = [my_set.intersection(re.split('[;\n]+', s))
                       for s in merged_tstbr['ID']]

输出示例：

                                                                          ID                                   new
0  XDX_AbCd_XY_2415;\nXDX_AbCd_XY_3335;\nXDX_AbCd_XY_3351;\nXDX_AbCd_XY_3354  {XDX_AbCd_XY_3335, XDX_AbCd_XY_3351}
1                     XDX_AbCd_XY_2416;\nXDX_AbCd_XY_3336;\nXDX_AbCd_XY_3351                    {XDX_AbCd_XY_3351}

使用的输入：

merged_tstbr = pd.DataFrame({'ID': ['XDX_AbCd_XY_2415;\nXDX_AbCd_XY_3335;\nXDX_AbCd_XY_3351;\nXDX_AbCd_XY_3354',
                                    'XDX_AbCd_XY_2416;\nXDX_AbCd_XY_3336;\nXDX_AbCd_XY_3351']})