获取符合特定包含规则的字符串对并转换为DataFrame

需求说明 #

给定字符串列表，需提取满足以下条件的字符串对并转为DataFrame：

• 第一个字符串是第二个字符串的子串，且两字符串不相等
• 过滤掉**第一个字符串包含列表中其他字符串（自身除外）**的配对

示例输入列表：

names = ['dog', 'big dog', 'big brown dog', 'cat', 'small cat', 'small white cat']

注：配对('big dog', 'big brown dog')会被过滤，因为dog是big dog的子串且dog在列表中。

实现代码 #

import pandas as pd

def get_valid_pairs(str_list):
    # 生成所有s1是s2子串且s1≠s2的初始配对
    initial_pairs = [(s1, s2) for s1 in str_list for s2 in str_list 
                     if s1 != s2 and s1 in s2]
    
    # 找出"纯净"的s1：s1不包含列表中其他任何字符串
    pure_s1 = []
    for s in str_list:
        # 检查s是否包含列表中除自身外的其他字符串
        has_sub = any(other in s for other in str_list if other != s)
        if not has_sub:
            pure_s1.append(s)
    
    # 过滤初始配对，只保留s1属于纯净列表的项
    valid_pairs = [pair for pair in initial_pairs if pair[0] in pure_s1]
    
    # 转为DataFrame
    return pd.DataFrame(valid_pairs, columns=['子串', '父串'])

# 测试示例
names = ['dog', 'big dog', 'big brown dog', 'cat', 'small cat', 'small white cat']
result_df = get_valid_pairs(names)
print(result_df)

输出结果 #

运行上述代码后，输出的DataFrame内容如下：

子串            父串
0  dog        big dog
1  dog  big brown dog
2  cat      small cat
3  cat  small white cat

代码逻辑解释 #

1. 生成初始配对：通过双重循环遍历列表，筛选出所有s1是s2子串且两字符串不同的组合。
2. 筛选纯净s1：对每个字符串，检查它是否包含列表中其他任何字符串，不包含的即为"纯净"的s1，这类s1不会被进一步拆分，符合过滤要求。
3. 过滤配对：只保留初始配对中s1属于纯净列表的项，排除那些s1本身包含其他列表元素的配对。
4. 转为DataFrame：将最终配对转为带列名的DataFrame，方便后续处理。

内容的提问来源于stack exchange，提问作者Nanoputian