如何用通配符简化映射子串到单一值的Python字典？

步骤1：定义简化的通配符字典 #

把重复的具体键替换为带通配符*的规则，*代表任意长度的任意字符：

# 简化后的通配符字典
col_dict = {
    'pur_act': 'ACQ1',
    '_depr': 'DEPR',
    'future_dated*': 'FDIO',
    'cap cost*': 'MANU',
    '*reclass_*': 'MANU',
    'funded*': 'MANU',
    'manual*': 'MANU',
    'non-tax*': 'MANU',
    '*other_*': 'MANU',
    'precomm*': 'MANU',
    '_int': 'OINT',
    '_additions': 'OPAA',
    '_pmt': 'OPMT',
    '_fx': 'OTFX',
    '*sub*': 'SUBS',
    'tia_*': 'TIOP',
    'unpaid*': 'UNIO'
}

通配符位置说明：

• prefix*：匹配以prefix开头的字符串
• *suffix：匹配以suffix结尾的字符串
• *substr*：匹配包含substr的字符串
• 无*：精确匹配字符串

步骤2：转换通配符为正则表达式 #

将通配符规则转成正则表达式（转义特殊字符，替换*为.*），并编译提升匹配效率：

import re

# 生成正则规则列表，按匹配精度从高到低排序（避免宽泛规则优先匹配）
regex_rules = []
for pattern, code in col_dict.items():
    # 转义正则特殊字符，再替换通配符*为正则的任意匹配
    regex_pattern = re.escape(pattern).replace(r'\*', '.*')
    regex_rules.append((re.compile(regex_pattern), code))

步骤3：自定义映射函数 #

写一个函数遍历正则规则，返回第一个匹配到的编码：

def map_column_name(col_name):
    for regex, code in regex_rules:
        # 用match做前缀匹配，改成search可实现包含匹配
        if regex.search(col_name):
            return code
    # 无匹配时返回默认值
    return 'UNKNOWN'

步骤4：应用到DataFrame #

用apply方法将函数作用于column_name列，生成code列：

import pandas as pd

# 示例DataFrame
data = {
    'column_name': [
        'forecasted_rou_asset_additions',
        'forecasted_rou_liability_additions',
        'commenced_leases_fcst_depr',
        'forecasted_additions_fcst_depr',
        'yoy_fx',
        'commenced_leases_fcst_int',
        'forecasted_leases_fcst_int',
        'commenced_leases_fcst_pmt',
        'forecasted_leases_fcst_pmt',
        'tax amort cap cost_abc385',
        'tax amort cap cost_abc385',
        'funded const commit_abc385',
        'funded const commit_abc385',
        'future_dated_invoices',
        'manual_adjustment_fcst_abc385',
        'manual_adjustment_fcst_abc385',
        'non-tax amort cap cost_abc385'
    ]
}
df = pd.DataFrame(data)

# 生成code列
df['code'] = df['column_name'].apply(map_column_name)

验证结果 #

生成的code列与预期完全匹配：

简洁写法优化 #

如果规则顺序已按优先级排列，可直接用replace的正则模式实现：

# 转换为正则键的字典（Python3.7+保留插入顺序）
regex_dict = {re.escape(k).replace(r'\*', '.*'): v for k, v in col_dict.items()}
df['code'] = df['column_name'].replace(regex_dict, regex=True)

内容的提问来源于stack exchange，提问作者Jim