Pandas Series.str.find多起始位置及多子串的高效替代方法咨询

1. Pandas/Numpy原生高效实现 #

Pandas的Series.str.find和Numpy的np.char.find都仅支持全局统一的start参数，没有原生函数直接支持为每个元素指定不同起始位置。不过可以用更贴合Pandas风格的apply方法替代列表推导式，代码可读性更好，效率和列表推导式接近：

import pandas as pd

a = pd.Series(data=['aaba', 'ababc', 'caaauuab'])
starts = [0, 1, 2]

# 使用apply结合行处理
result = pd.DataFrame({'text': a, 'start': starts}).apply(
    lambda row: row['text'].find('b', row['start']),
    axis=1
)

如果追求极致效率，列表推导式本身已经是Python层面字符串操作的高效写法——因为字符串查找属于逐元素的Python对象操作，无法完全向量化，所以无需刻意替换。

2. 支持多子串对应查找的实现 #

如果需要为每个元素指定不同的子串和起始位置，可以扩展列表推导式或apply方法：

示例：每个元素对应不同子串与起始位置 #

a = pd.Series(data=['aaba', 'ababc', 'caaauuab'])
substrings = ['b', 'a', 'u']
starts = [0, 1, 2]

# 列表推导式实现
result = [s.find(sub, pos) for s, sub, pos in zip(a.values, substrings, starts)]

# Pandas apply实现
result_series = pd.DataFrame({'text': a, 'sub': substrings, 'start': starts}).apply(
    lambda row: row['text'].find(row['sub'], row['start']),
    axis=1
)

如果需要查找每个元素在对应起始位置下，多个子串的第一个匹配位置，可以自定义函数处理：

def find_first_match(text, start, substrings):
    for sub in substrings:
        pos = text.find(sub, start)
        if pos != -1:
            return pos
    return -1

# 示例：每个元素对应起始位置和一组子串
substrings_list = [['b', 'a'], ['a', 'c'], ['u', 'b']]
result = pd.DataFrame({'text': a, 'start': starts, 'subs': substrings_list}).apply(
    lambda row: find_first_match(row['text'], row['start'], row['subs']),
    axis=1
)

内容的提问来源于stack exchange，提问作者subhacom