前言
在 pandas 中,实现如下的模糊匹配统计,要怎么做?
简单:
因为在 pandas 中可以把筛选和统计两种逻辑分开编写,所以代码清晰好用。 问题在于pandas 中要实现模糊匹配,只能使用正则表达式或某种具体的函数。
在 excel 中有一类可以模糊匹配的统计函数,比如 sumifs
、 countifs
等,它们可以使用通配符实现模糊匹配统计。之前的 excel 公式:
?
表示1个任意的字符,星号 *
表示任意个数(0、1、或n)的字符startswith
, endswith
, contains
这种直接在字符串中表达模糊匹配规则,真香!难道在 pandas 中无法做到?
要在字符串中表达匹配规则,用正则表达式是最好的选择。其实思路挺简单,不就是直接把表达字符串中的符合替换成正则表达式相对于的符号吗?如下:
.
,表示任意一个字符^
和结束 $
标志问题在于,用户输入的表达字符串里面可能包含了正则表达式的其他符号:
+
,但因为 加号在正则表达式中有1或多个字符的意思 ,导致结果仍然匹配成功(内容中根本没有加号)在 python 的正则表达式库中,为此有专门的函数,可以把所有在正则表达式中有特殊意义的符号,转义成匹配内容:
+
前面添加了反斜杠,正则表达式中反斜杠可以把特殊含义符号转义成普通内容现在我们已经把整个问题拆分成2个小问题(并有解决方法):
只要设计好这两个步骤的执行顺序,应该就可以顺利解决问题。
定义函数:
re.escape
转成普通内容,然后针对星号和问号做替换定义一个测试函数:
re.match
返回有结果,就是匹配到写一些简单的测试:
没有报错,证明没问题。
应用到 pandas 的 series.str.match
函数即可:
不过,每次都这样子调用很啰嗦。可以封装到一个函数里面:
现在可以使用: