Pandas中如何匹配由两个独立单词组成的字符串

原函数先将输入文本按空格拆分为单个单词组成的列表，仅能匹配刚好为单个单词的地名。多单词构成的地名本身包含空格，属于多词组合的字符串，不可能出现在拆分后的单个词列表中，因此无法命中。

核心修改逻辑是取消提前拆分输入文本的步骤，直接在原始输入字符串中做子串匹配，即可支持2个及以上单词组成的地名，同时可按需补充大小写兼容、长地名优先匹配的能力，避免漏匹配、误匹配。

基础版本（严格匹配大小写） #

直接遍历地名列表判断是否为输入文本的子串，无额外依赖，逻辑最简单：

# alpha_list 为存储所有国家、美国州名的预置列表
def locate_country(b):
    match_res = [place for place in alpha_list if place in b]
    return match_res

df['country'] = df['locations'].apply(locate_country)

兼容大小写版本 #

解决输入文本和预置地名列表大小写不一致导致的匹配失败问题（比如输入为new york、列表存储为New York的场景），匹配完成后返回原始格式的地名：

# 预处理：生成对应小写格式的地名列表，用于无大小写匹配
alpha_lower = [p.lower() for p in alpha_list]

def locate_country(b):
    b_low = b.lower()
    match_res = []
    for idx, p_low in enumerate(alpha_lower):
        if p_low in b_low:
            match_res.append(alpha_list[idx])
    return match_res

df['country'] = df['locations'].apply(locate_country)

防误匹配优化版本 #

如果存在短地名是长地名子串的场景（比如同时存在地名york和new york），可以先将地名按词数从多到少排序，优先匹配长地名，避免短词提前误命中：

# 按地名包含的单词数降序排序，长地名优先参与匹配
alpha_sorted = sorted(alpha_list, key=lambda x: len(x.split()), reverse=True)
alpha_lower = [p.lower() for p in alpha_sorted]

def locate_country(b):
    b_low = b.lower()
    match_res = []
    for idx, p_low in enumerate(alpha_lower):
        if p_low in b_low:
            match_res.append(alpha_sorted[idx])
    return match_res

df['country'] = df['locations'].apply(locate_country)

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