如何统计两个DataFrame匹配字符串数量？解决contains返回错误问题

问题场景 #

从df1提取指定区域的Titre列，用逗号拼接成字符串列表Shortlist：

temp = df1.loc[df1['quartier']=='quartier1', 'Titre']
Shortlist = ','.join(temp)

然后在df2同区域的Titre_test列（包含逗号分隔的字符串或NaN）中检查匹配：

temp_ilot = df2.loc[df2['quartier']=='quartier1', 'Titre_test']
temp_ilot.str.contains(Shortlist)

明明存在匹配项，但结果返回False。

原因分析 #

str.contains(Shortlist)会将整个逗号分隔的字符串作为完整正则表达式匹配，而非检查是否包含Shortlist中的任意单个元素。比如Shortlist = "A,B,C"时，它会查找是否有字符串包含"A,B,C"这个整体，而非A、B或C中的任意一个。

解决方案 #

步骤1：构建正则OR匹配模式 #

将Titre的唯一值用|分隔，生成能匹配任意单个元素的正则表达式：

# 提取唯一的Titre值，避免重复匹配
unique_titres = temp.unique()
# 用|拼接成正则OR模式，同时转义特殊字符防止正则语法干扰
import re
pattern = '|'.join(re.escape(titre) for titre in unique_titres)

步骤2：执行匹配并统计数量 #

# 执行匹配，na=False将空值转为False，方便统计
matches = temp_ilot.str.contains(pattern, na=False)
# 统计匹配的行数
total_matches = matches.sum()
# 如果需要查看具体匹配的内容，可以过滤出True的行
matched_rows = temp_ilot[matches]

替代方案：拆分字符串后匹配 #

如果Titre_test中的字符串是逗号分隔的，也可以拆分后逐个匹配：

# 拆分每个Titre_test的字符串为列表，排除空值
split_titres = temp_ilot.dropna().str.split(',')
# 检查每个列表是否与unique_titres有交集
matches = split_titres.apply(lambda x: any(t in unique_titres for t in x))
# 统计数量
total_matches = matches.sum()

内容的提问来源于stack exchange，提问作者bravopapa