如何用Python高效筛选含另一数据集公司名的新闻标题？

方法一：用Pandas的str.contains结合正则表达式 #

这是最适合初学者的高效方案，步骤简单：

• 先把所有公司名拼接成正则匹配模式，用|分隔，这样能一次匹配多个关键词
• 用Pandas的向量化字符串方法筛选符合条件的标题

示例代码：

import pandas as pd

# 假设你的公司数据存在df_companies里，列名叫'company_name'
# 新闻数据存在df_news里，列名叫'news_title'

# 生成正则模式：转义公司名里的特殊字符（比如.、*），再用|连接
company_pattern = '|'.join(df_companies['company_name'].str.replace(r'([\.\*\?\+\(\)\[\]\{\}\|\\])', r'\\\1'))

# 筛选包含任一公司名的新闻，不区分大小写，跳过空值标题
matched_news = df_news[df_news['news_title'].str.contains(company_pattern, case=False, na=False)]

• case=False：避免因为大小写差异漏掉匹配结果
• na=False：自动忽略空标题，防止报错

方法二：用fuzzywuzzy处理近似匹配（可选） #

如果标题里的公司名有简称、错别字这类情况，可以用这个库做模糊匹配，容错性更强：

1. 先安装依赖：pip install fuzzywuzzy python-Levenshtein
2. 示例代码：

from fuzzywuzzy import process

def check_company_match(title, company_list, threshold=80):
    # 找标题里和公司名最匹配的结果，匹配度超过阈值就算符合
    best_match = process.extractOne(title, company_list, scorer=process.fuzz.partial_ratio)
    return best_match[1] >= threshold

# 应用函数筛选新闻
matched_news = df_news[df_news['news_title'].apply(lambda x: check_company_match(x, df_companies['company_name'].tolist()))]

• partial_ratio：适合标题只包含公司名部分内容的场景
• threshold：可自行调整，数值越高匹配越严格

为什么比for循环快？ #

Pandas的向量化操作是底层用C实现的，避开了Python循环的性能瓶颈，数据量越大，效率提升越明显。

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