正規表示式如何提高Pandas系列子串過濾性能？

提高Pandas 系列中多個子字串篩選的效能

當嘗試篩選特定字串列至少包含一個子字串的行時給定列表，使用np.logic_or.reduce() 的傳統方法對於大型資料集可能效率低。本文探討了一種利用正規表示式來增強效能的替代方法。

建議的解決方案

我們在str.contains() 中不使用regex=False，而是使用正規表示式使用re.escape() 正確轉義提供的子字串之後。這確保了文字匹配而不是正則表達式解釋。然後使用正規表示式管道 (|) 將轉義的子字串組合成單一模式。

屏蔽過程

屏蔽階段成為整個系列的循環，檢查是否每個字串與模式匹配：

df[col].str.contains(pattern, case=False)

效能比較

使用包含100 個長度為5 的子字串和50,000 個長度為 20 的字串的樣本資料集，所提出的方法大約需要 1 秒。對於相同的數據，原始方法大約需要 5 秒。

注意

此解假設沒有子字串匹配的「最壞情況」場景。在有比賽的情況下，表現會進一步提高。此外，這種方法比最初的方法更有效，減少了每行所需的檢查數量。

以上是正規表示式如何提高Pandas系列子串過濾性能？的詳細內容。更多資訊請關注PHP中文網其他相關文章！