pd.Series.str.contains的矢量化版本

Question

给定两个索引相同的pd.系列字符串，检查第一个pd.系列的每个元素是否是第二个pd.系列对应元素的子字符串的最有效方法是什么

例如：

s1 = pd.Series(['cat', 'dog', 'ham'])
s2 = pd.Series(['catbird', 'frog', 'hamster'])  

pd.Series([t[0] in t[1] for t in zip(s1, s2)], index=s1.index)

屈服

0     True
1    False
2     True
dtype: bool

Answer 1

我认为您的解决方案是好的，因为pandas.str函数也使用循环（并处理缺少的值），所以有时会比较慢

我对解决方案进行了一些小的修改-将元组解包为变量t和v，在测试数据中，解包速度更快一些：

np.random.seed(2020)

N = 10000
s1 = pd.Series(np.random.choice(list(string.ascii_letters), size=N))
s2 = pd.DataFrame(np.random.choice(list(string.ascii_letters), size=(N, 3))).sum(axis=1)

In [82]: %timeit (pd.Series([t[0] in t[1] for t in zip(s1, s2)], index=s1.index))
3.47 ms ± 271 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [83]: %timeit (pd.Series([t in v for t, v in zip(s1, s2)], index=s1.index))
2.89 ms ± 130 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

Answer 2

此外：

import numpy as np
import pandas as pd
import string

np.random.seed(2020)

N = 10000
s1 = pd.Series(np.random.choice(list(string.ascii_letters), size=N))
s2 = pd.DataFrame(np.random.choice(list(string.ascii_letters), size=(N, 3))).sum(axis=1)

%%timeit
s1.apply(lambda x: x[0] in s2.loc[x.name, 0], axis=1)

218 ms ± 8.61 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

也许不是最好的方法：）