Использование регулярного выражения для получения индекса строки частичного совпадения в столбце данных pandas

Question

Я пытаюсь использовать регулярные выражения для идентификации отдельных строк большого кадра данных панд. В частности, я намерен сопоставить DOI документа с идентификатором xml, который содержит номер DOI.

# An example of the dataframe and a test doi:

                                    ScID.xml     journal  year    topic1
0    0009-3570(2017)050[0199:omfg]2.3.co.xml  Journal_1   2017  0.000007
1  0001-3568(2001)750[0199:smdhmf]2.3.co.xml  Journal_3   2001  0.000648
2  0002-3568(2004)450[0199:gissaf]2.3.co.xml  Journal_1   2004  0.000003
3  0003-3568(2011)150[0299:easayy]2.3.co.xml  Journal_1   2011  0.000003

# A dummy doi:

test_doi = '0002-3568(2004)450'

В этом примере я хотел бы иметь возможность вернуть индекс третьей строки (2), найдя частичное совпадение в столбце ScID.xml. DOI не всегда находится в начале строки ScID.xml.

Я искал этот сайт и применил методы, описанные для похожих сценариев.

В том числе:

df.iloc[:,0].apply(lambda x: x.contains(test_doi)).values.nonzero()

Возвращает:

AttributeError: 'str' object has no attribute 'contains'

и

df.filter(regex=test_doi)

дает:

Empty DataFrame

Columns: []
Index: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 
19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36,
37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 
55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 
73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 
91, 92, 93, 94, 95, 96, 97, 98, 99, ...]

[287459 rows x 0 columns]

и наконец:

df.loc[:, df.columns.to_series().str.contains(test_doi).tolist()]

, который также возвращает Empty DataFrame, как указано выше.

Вся помощь приветствуется. Спасибо.

Answer 1

Есть две причины, по которым ваш первый подход не работает:

Первый - если вы используете применить к серии, значения в лямбда-функции будут не серией, а скаляром. А так как содержит функцию из панд, а не из строк, вы получите сообщение об ошибке.

Второе - скобки имеют специальное значение в регулярном выражении (разграничение группы захвата). Если вы хотите, чтобы квадратные скобки были символами, вы должны избегать их.

test_doi = '0002-3568\(2004\)450'
df.loc[df.iloc[:,0].str.contains(test_doi)]
                                    ScID.xml    journal  year    topic1
2  0002-3568(2004)450[0199:gissaf]2.3.co.xml  Journal_1  2004  0.000003

Кстати, функция фильтра pandas фильтрует по метке индекса, а не по значениям.