Pandas使用str.contains报nothing to repeat at position 17217错误如何解决？

我尝试使用str.contains判断一个DataFrame某列的元素是否存在于另一个DataFrame的指定列中，代码如下：

pattern = fr"(?:{'|'.join(strategic_accounts['Account Name'])})"
all_leads['in_strategic_list'] = all_leads['Company'].str.contains(pattern).astype(int)

我已经核对了两个DataFrame的头部数据，以及all_leads DataFrame的第17271位数据，该位置没有异常内容。另外我检索到的同类报错均为position 0的报错，和我遇到的17217位置报错场景不同。

我编写的如下模拟示例使用相同代码可以正常运行：

df1 = pd.DataFrame({'name': ['Marc', 'Jake', 'Sam', 'Brad', 'SpongeBob']})
df2 = pd.DataFrame({'IDs': ['Jake', 'John', 'Marc', 'Tony', 'Bob']})

pattern = fr"(?:{'|'.join(df2['IDs'])})"

df1['In_df2'] = df1['name'].str.contains(pattern).astype(int)

问题更新 #

我已经定位到报错指向的是pattern字符串的第17217位，而非strategic_accounts DataFrame的对应位置，打印该位置字符返回'*'。我尝试自定义函数处理pattern中的特殊字符后再传入str.contains，但特殊字符没有被成功替换，处理代码如下：

import re

pattern = fr"(?:{'|'.join(strategic_accounts['Account Name'])})"
def esc_spec_char(pattern):
    for p in pattern:
        if p == '\*':
            re.sub('*', '1', p)
        else:
            continue
    return pattern
pattern = esc_spec_char(pattern)
pattern[17217]

最新更新 #

我尝试采用@LiamFiddler提供的方法，将字符串转为re.Pattern对象后在模拟数据集上测试，虽然*被成功转义，但无法匹配到字符N，不确定哪里出现错误，测试代码如下：

sries = pd.Series(['x','y','$','%','^','N','*'])
ac = '|'.join(sries)
p = re.compile(re.escape(ac))
df1 = pd.DataFrame(data = {'Id' : [123, 232, 344, 455, 566, 377], 
                           'col2' : ["N", "X", "Y", '*', "W", "Z"]})
df1['col2'].str.contains(p, regex=True).astype(int)

报错的核心原因是你用于拼接正则的账户名称中包含*这类正则保留特殊字符，直接拼接会被正则引擎解析为语法符号，导致编译报错。你之前的两次尝试都存在逻辑错误：

1. 自定义转义函数完全不生效：循环遍历字符时没有对原字符串做修改，re.sub的返回值没有被接收，判断逻辑也存在语法错误。
2. 转义位置错误：你先将所有关键词用|拼接后再整体转义，会把用于表示「或匹配」的|也转义为普通字符，自然无法匹配到对应的关键词。

正确的处理逻辑是：先对每个单独的关键词做正则特殊字符转义，再用|拼接成正则模式，既能保留或匹配的逻辑，又能把特殊字符作为普通文本匹配。

修复后的代码 #

原始需求代码 #

import pandas as pd
import re

# 对每个账户名单独转义正则特殊字符
escaped_accounts = strategic_accounts['Account Name'].apply(lambda x: re.escape(str(x)))
# 拼接成正则模式
pattern = fr"(?:{'|'.join(escaped_accounts)})"
# 执行匹配
all_leads['in_strategic_list'] = all_leads['Company'].str.contains(pattern, regex=True).astype(int)

测试用例修复代码 #

import pandas as pd
import re

sries = pd.Series(['x','y','$','%','^','N','*'])
# 先转义每个关键词再拼接
escaped_keys = sries.apply(lambda x: re.escape(str(x)))
pattern = '|'.join(escaped_keys)
p = re.compile(pattern)

df1 = pd.DataFrame(data = {'Id' : [123, 232, 344, 455, 566, 377], 
                           'col2' : ["N", "X", "Y", '*', "W", "Z"]})
print(df1['col2'].str.contains(p, regex=True).astype(int))

运行后输出为[1,0,0,1,0,0]，完全符合预期。

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