You need to enable JavaScript to run this app. Python如何高效识别单列DataFrame字符串任意位置的数字递增模式
优惠活动
大模型
产品
解决方案
定价
更多

Python如何高效识别单列DataFrame字符串任意位置的数字递增模式

跨字符串数字递增规律识别实现方案

核心匹配逻辑

针对递增规律可能出现在字符串任意位置的问题,核心思路是通过结构化切分减少无效比对,再定位跨条目的连续数字序列,具体规则如下:

  • 对每个字符串用正则切分为连续的字母片段、数字片段,生成对应结构标识(按片段顺序记录每个片段是字母类型还是数字类型)
  • 优先将结构标识完全一致的字符串分到同一组:结构不同的字符串无法完成位置对齐,直接跳过比对,大幅降低计算复杂度
  • 对同结构组内的字符串逐位检查数字片段:
    • 校验同序列内所有字母片段的内容必须完全固定,避免误匹配不同前缀/后缀的字符串
    • 提取目标位置的数字值,检查是否存在长度达到阈值、相邻差值固定的连续递增序列
  • 匹配过程不要求递增片段在字符串的固定字符偏移位置,只要在同结构组内的对应片段位置存在数字递增,即可被识别。

可直接运行的实现代码

import pandas as pd
import re
from collections import defaultdict

def split_string_segments(s: str) -> tuple:
    """将单字符串切分为连续的字母/数字片段,返回结构标识与片段详情"""
    segments = []
    pattern = re.compile(r'(\d+|[a-zA-Z]+)')
    for match in pattern.finditer(s):
        seg_content = match.group()
        seg_type = 'num' if seg_content.isdigit() else 'alpha'
        segments.append( (seg_type, seg_content) )
    # 结构标识:按顺序记录每个片段的类型,例如('alpha','num','alpha','num')
    struct_key = tuple([seg[0] for seg in segments])
    return struct_key, segments

def detect_increment_pattern(df: pd.DataFrame, col_name: str, min_seq_len: int =3, step:int=1) -> list:
    # 第一步:按字符串结构分组
    struct_groups = defaultdict(list)
    for idx, s in df[col_name].items():
        struct_key, segments = split_string_segments(s)
        struct_groups[struct_key].append( (idx, segments) )
    
    valid_patterns = []
    for struct_key, items in struct_groups.items():
        # 组内条目数达不到最小序列长度要求,直接跳过
        if len(items) < min_seq_len:
            continue
        # 定位所有属于数字类型的片段位置
        num_seg_pos = [pos for pos, seg_type in enumerate(struct_key) if seg_type == 'num']
        # 逐数字位置检查递增规律
        for pos in num_seg_pos:
            # 提取每个条目的对应数字值、固定字母键
            pos_info = []
            for row_idx, segs in items:
                num_val = int(segs[pos][1])
                # 固定字母键:所有非检查位置的字母片段内容,不要求其他数字段固定
                alpha_fixed = tuple([
                    seg[1] for seg_idx, seg in enumerate(segs)
                    if seg_idx != pos and seg[0] == 'alpha'
                ])
                pos_info.append( (row_idx, num_val, alpha_fixed) )
            
            # 按固定字母键分组,组内检查连续递增序列
            fixed_groups = defaultdict(list)
            for row_idx, num_val, alpha_key in pos_info:
                fixed_groups[alpha_key].append( (row_idx, num_val) )
            
            for alpha_key, group_vals in fixed_groups.items():
                # 组内条目数不够要求,跳过
                if len(group_vals) < min_seq_len:
                    continue
                # 按数字值排序
                sorted_vals = sorted(group_vals, key=lambda x: x[1])
                # 扫描连续差为step的序列
                current_seq = [sorted_vals[0]]
                for i in range(1, len(sorted_vals)):
                    if sorted_vals[i][1] - current_seq[-1][1] == step:
                        current_seq.append(sorted_vals[i])
                    else:
                        # 找到符合长度要求的序列则记录
                        if len(current_seq) >= min_seq_len:
                            valid_patterns.append({
                                'sequence_length': len(current_seq),
                                'fixed_alpha_part': alpha_key,
                                'increment_segment_index': pos,
                                'start_value': current_seq[0][1],
                                'end_value': current_seq[-1][1],
                                'matched_row_indices': [item[0] for item in current_seq]
                            })
                        current_seq = [sorted_vals[i]]
                # 处理循环结束后最后一段序列
                if len(current_seq) >= min_seq_len:
                    valid_patterns.append({
                        'sequence_length': len(current_seq),
                        'fixed_alpha_part': alpha_key,
                        'increment_segment_index': pos,
                        'start_value': current_seq[0][1],
                        'end_value': current_seq[-1][1],
                        'matched_row_indices': [item[0] for item in current_seq]
                    })
    return valid_patterns

# 用示例数据测试
if __name__ == "__main__":
    sample_df = pd.DataFrame({'str_col': [
        'ebe120xg21',
        'ebe121xg22',
        'vpq17laos',
        'fvut10hals',
        'ebe122xg23'
    ]})
    match_result = detect_increment_pattern(sample_df, 'str_col')
    print(match_result)

运行示例代码后,输出的结果会匹配到两条有效递增规律:

  1. 片段索引1的数字段,固定字母部分为ebe、xg,数字从120连续递增到122,匹配行索引为[0,1,4]
  2. 片段索引3的数字段,固定字母部分为ebe、xg,数字从21连续递增到23,匹配行索引为[0,1,4]

大体积数据适配优化

  • 十万行以上规模的数据集,可将逐行循环切分替换为pandas自带的正则向量化方法,性能可提升10~100倍
  • 可通过函数入参自定义最小序列长度、递增步长,适配序列号步长非1、短序列过滤等场景,无需修改核心匹配逻辑
  • 可提前按字符串总长度做预分组,避免不同长度的字符串进入后续结构比对环节,减少不必要的计算

内容的提问来源于stack exchange,提问作者kanataki

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.14 04:54:00