
本文介绍如何在 Pandas 中高效、向量化地根据每行的动态子串(如 Substring 列值)匹配另一列(如 String 列),并批量更新多个布尔结果列,避免低效的逐行循环,适用于数十万行以上的大型数据集。
本文介绍如何在 pandas 中高效、向量化地根据每行的动态子串(如 `substring` 列值)匹配另一列(如 `string` 列),并批量更新多个布尔结果列,避免低效的逐行循环,适用于数十万行以上的大型数据集。
在处理大规模结构化文本数据时,常需基于行内关联字段进行条件匹配——例如,用 Substring 列的值动态构造搜索模式,判断其是否以不区分大小写的方式出现在 String 列中。直接使用 for 循环遍历 DataFrame 会严重拖慢性能;而 df.apply(..., axis=1) 结合 result_type='expand' 是兼顾可读性与效率的推荐方案。
核心思路是:定义一个接收整行(pd.Series)的函数,在函数内部对 String 和 Substring 做统一小写转换(实现不区分大小写的匹配),再构造目标模式字符串(如 "Display \"Screen 1\"" 或 "Display "Screen 1""),最后用 in 操作符返回布尔元组。apply 的 result_type='expand' 参数可将该元组自动拆解为多列。
以下为完整可运行示例:
import pandas as pd
# 构造示例数据(注意:原始 HTML 实体 " 在 Python 字符串中需保留为字面量)
df = pd.DataFrame({
'String': [
'fooDisplay "screen 1" other text',
'foobar Display "Screen 2" more text',
'barDisplay "Screen 2"useless text',
'Link="Screen 1"'
],
'Substring': ['Screen 1', 'GFX', 'Screen 2', 'Screen 1']
})
def check_substrings(row):
string_lower = row['String'].lower()
substr = row['Substring']
# 动态构造两种搜索模式,并转为小写以支持 case-insensitive 匹配
pattern1 = f'Display "{substr}"'.lower()
pattern2 = f'Display "{substr}"'.lower()
return pattern1 in string_lower, pattern2 in string_lower
# 向量化赋值:一行生成两列
df[['Result 1', 'Result 2']] = df.apply(check_substrings, axis=1, result_type='expand')
print(df)
✅ 输出结果:
String Substring Result 1 Result 2 0 fooDisplay "screen 1" other text Screen 1 True False 1 foobar Display "Screen 2" more text GFX False False 2 barDisplay "Screen 2"useless text Screen 2 False True 3 Link="Screen 1" Screen 1 False False
⚠️ 关键注意事项:
-
apply(..., axis=1)虽非纯向量化(底层仍逐行调用),但相比显式for循环有显著性能提升,且代码简洁、逻辑清晰; - 所有字符串操作(如
lower())应在函数内完成,确保匹配严格不区分大小写; - 若
String或Substring可能含NaN,需在函数开头添加if pd.isna(row['String']) or pd.isna(row['Substring']): return False, False防错; - 对于超大规模数据(>1M 行)或更多结果列(如 10+),可考虑使用
numba加速或预编译正则表达式(配合str.contains(regex=True, case=False)),但需注意动态模式无法直接用于str.contains——此时apply仍是最直接可靠的方案。
总之,df.apply + 动态字符串构造 + result_type='expand' 是解决「行内字段驱动字符串匹配」问题的标准范式,兼顾性能、可维护性与扩展性。










