如何使用Pandas基于两个条件列表对字符串列表交叉分组？

问题背景 #

现有三个列表：

a = ['AFM_123_H2O_56', '345_FM_CO2', 'H6C6_AFM_test', 'dio_CO2_FM', 'check_H2O_FM', 'sample_FM_H6C6', 'AFM_67_H2O']
condition1 = ['H2O', 'CO2', 'H6C6']
condition2 = ['FM', 'AFM']

需要基于condition1和condition2的交叉组合对列表a中的元素分组，最终输出支持两种格式：

• 嵌套列表格式：

c = [['AFM_123_H2O_56', 'AFM_67_H2O'], #包含H2O和AFM的所有字符串
      ['check_H2O_FM'],                #包含H2O和FM的所有字符串
      ['345_FM_CO2', 'dio_CO2_FM'],    #包含CO2和FM的所有字符串
      ['H6C6_AFM_test'],               #包含H6C6和AFM的所有字符串
      ['sample_FM_H6C6']]              #包含H6C6和FM的所有字符串

• Pandas DataFrame格式：

H2O_AFM       ['AFM_123_H2O_56', 'AFM_67_H2O']
H2O_FM        ['check_H2O_FM']
CO2_FM        ['345_FM_CO2', 'dio_CO2_FM']
H6C6_AFM      ['H6C6_AFM_test']
H6C6_FM       ['sample_FM_H6C6']

目前已掌握单条件分组的Pandas实现：

pattern = '(%s)' % '|'.join(map(re.escape, condition1))
series_files = pd.Series(a)
df_grouped_files = series_files.groupby(series_files.str.extract(pattern, expand=False), sort=False).agg(list)

但不清楚如何实现双条件的交叉分组。

解决方案 #

通过两次提取匹配的条件值，拼接成唯一分组键后完成分组，具体代码如下：

import pandas as pd
import re

a = ['AFM_123_H2O_56', '345_FM_CO2', 'H6C6_AFM_test', 'dio_CO2_FM', 'check_H2O_FM', 'sample_FM_H6C6', 'AFM_67_H2O']
condition1 = ['H2O', 'CO2', 'H6C6']
condition2 = ['FM', 'AFM']

# 生成两个条件的正则匹配模式，转义特殊字符避免匹配出错
pattern1 = '(%s)' % '|'.join(map(re.escape, condition1))
pattern2 = '(%s)' % '|'.join(map(re.escape, condition2))

# 将列表转为Series，分别提取每个元素匹配的condition1和condition2值
s = pd.Series(a)
match_cond1 = s.str.extract(pattern1, expand=False)
match_cond2 = s.str.extract(pattern2, expand=False)

# 拼接两个匹配结果作为分组键
group_key = match_cond1 + '_' + match_cond2

# 按分组键分组，聚合为列表，sort=False保留首次出现的顺序
result = s.groupby(group_key, sort=False).agg(list)

# 输出DataFrame格式结果
print(result)

# 转换为嵌套列表格式
nested_list_result = result.tolist()
print(nested_list_result)

输出结果 #

• DataFrame格式输出：

H2O_AFM    [AFM_123_H2O_56, AFM_67_H2O]
CO2_FM          [345_FM_CO2, dio_CO2_FM]
H6C6_AFM               [H6C6_AFM_test]
H2O_FM                [check_H2O_FM]
H6C6_FM              [sample_FM_H6C6]
dtype: object

• 嵌套列表格式输出：

[['AFM_123_H2O_56', 'AFM_67_H2O'], ['345_FM_CO2', 'dio_CO2_FM'], ['H6C6_AFM_test'], ['check_H2O_FM'], ['sample_FM_H6C6']]

关键说明 #

• re.escape用于转义条件字符串中的特殊字符，确保正则匹配准确
• 假设每个字符串仅对应一组condition1+condition2的组合，若存在多组匹配，str.extract会提取第一个匹配值
• sort=False参数保证分组顺序与元素首次匹配到对应条件组合的顺序一致

内容的提问来源于stack exchange，提问作者user16613865