如果你坚持使用纯熊猫,那么出于性能和实用性的考虑,我认为你应该使用正则表达式来完成此任务。但是,你将需要首先适当地转义子字符串中的任何特殊字符,以确保它们在字面上匹配(并且不用作正则表达式元字符)。
这很容易做到re.escape
:
>>> import re
>>> esc_lst = [re.escape(s) for s in lst]
然后可以使用正则表达式管道将这些转义的子字符串连接起来|。可以对照字符串检查每个子字符串,直到找到一个匹配项(或它们都已经过测试)。
>>> pattern = '|'.join(esc_lst)
然后,掩蔽阶段将成为遍历各行的单个低级循环:
df[col].str.contains(pattern, case=False)
from random import randint, seed
seed(321)
# 100 substrings of 5 characters
lst = [''.join([chr(randint(0, 256)) for _ in range(5)]) for _ in range(100)]
# 50000 strings of 20 characters
strings = [''.join([chr(randint(0, 256)) for _ in range(20)]) for _ in range(50000)]
col = pd.Series(strings)
esc_lst = [re.escape(s) for s in lst]
pattern = '|'.join(esc_lst)
提出的方法大约需要1秒(因此,一百万行最多可能需要20秒):
%timeit col.str.contains(pattern, case=False)
1 loop, best of 3: 981 ms per loop
使用相同的输入数据,问题中的方法花费了大约5秒钟。
值得注意的是,在没有匹配的情况下,这些时间是“最坏的情况”(因此检查了所有子字符串)。如果有比赛,则计时会有所改善。