python： 进阶 - 数据预处理 - 数据提取 - 使用str.contains()实现EXCEL的模糊匹配筛选功能

例如：我们手头有>1百万行数据的销售表haha.csv，要筛选所有和客户，比如中国移动，有关的销售记录。怎么做？

• Python实现的关键点：在于使用pandas.Series.str.contains实现模糊匹配 ，即所有包含关键词“中国移动”在内记录。

第二版最新答案：

第一版答案用于遍历DataFrame是否含有关键词。但是，如果我们只需要查询一列数据是否含有目标关键词的话，如下更快捷：

# 第一种情况：筛选一个目标关键词
mask = df['目标列的名称'].str.contains('目标关键词')
selected_data = df[mask]

# 第二种情况：筛选n个目标关键词
List = ['key_w1', ..., 'key_wn']
mask = df['目标列的名称'].str.contains('|'.join(List))
selected_data = df[mask]

---

---

第一版答案：

从stackoverflow学来的答案；stackoverflow链接在此

import pandas as pd

def select_data():
    df = pd.read_csv('路径+文件名.csv', encoding='gbk', low_memory=False)
    mask = df.select_dtypes(include=[object]).stack().str.contains('中国移动').unstack()        # 最快
    # mask = df.select_dtypes(include=[object]).apply(lambda x: x.str.contains('中国移动', na=False))
    # mask = df.select_dtypes(include=[object]).applymap(lambda x: '中国移动' in x if pd.notnull(x) else False)   # 最慢
    selected_data = df[mask.any(axis=1)]
    selected_data.to_csv('路径+新文件名.csv', encoding='bgk)
    
if __name__ = '__main__':
    select_data()
    print('done')

重点代码节点分析：

1. df.select_dtypes(including=[object])：返回全是str的部分（str的dtype是object）;
2. df.apply(function)：apply a function along an axis of the DataFrame（将小括号里边的函数应用到定位出来的str部分）;
3. x.str.contains(i, na=False)：na=False可以使得空值NaN的返回结果为False，而不是默认的NaN。
4. df.any(axis=1)：return whether any element is True over reguested axis。即“axis=1”时，按行返回所有含有布尔值True的行。
5. mask.any(axis=1)：返回 mask里边包含True的行的Index。
6. low_memory = Flase：简单说是一个应该去掉但还没有去掉的一个参数。详细信息链接。

mask=部分貌似在2百万条数据的时候很占内存。一个方法是：df.select_dtypes(incouding=[object]).apply(lambda x: x.str.contains('中国移动', na=False, regex=False, case=False)

mask 还等价于：
或df.apply ( lambda x: x.astype(str).str.contains(‘中国移动’).any(), axis=1 )
或df.apply ( lambda x: x.astype(str).str.contains(‘中国移动’) ).any(axis=1)
评价：由于把整个DataFrame数据转换为str，那么应用str.contains()的效率相对降低。

---

• pandas.Series.str.contains()官方文档这里。

Series.str.contains(
                    pat,        # 要查询的字符串、要查询的或者正则表达式
                    case=True,  # 是否对大小写敏感
                    flags=0,    # 用来传给正则模块的参数，比如 flags=re.INGNORECASE 等价于 case=False
                    na=nan,     # 默认对空值不处理，即输出结果还是 NaN
                    regex=True  # 即第一个参数 pat部分 要不要按照正则表达式的规则。
                                 #所以针对特殊符号，默认情况下我们必须使用转义符，或者设置 regex=False
                    )

由上可知，函数应用的必须是单列的str对象（str格式的Series，Index，Column都符合单列条件），返回的是模糊匹配的值，即False / True（唯一例外的是空值NaN：默认情况下返回的还是NaN）。

因此，函数应用对象是DataFrame时：一般先搭配select_dtypes(includeing=[object])得到整列都是str格式的部分；再用.stack()把N列（N>1）转换为单列，最后用.unstack()还原为N列。

---