Python-Pandas技术问询：在单元格中搜索关键词并基于关键词取值

我现在有一个包含文本数据的Pandas DataFrame，其中某一列的单元格是较长的字符串，里面可能包含我预设的若干关键词。我想要实现的是：遍历这一列的每个单元格，检查字符串中是否存在指定的关键词，然后根据匹配到的关键词返回对应的预设值。

举个例子，我的DataFrame大概是这样的：

我有一个关键词-值的映射表：

keyword_map = {
    "Python": "编程语言",
    "Pandas": "数据工具",
    "Java": "编程语言"
}

我希望能新增一列“分类”，根据“描述文本”中包含的关键词填充对应的分类值，如果有多个关键词匹配（比如第3行同时包含Python和Pandas），可以返回第一个匹配的值或者合并值。请问有没有高效的实现方法？

嗨，我来帮你搞定这个问题！针对你说的在Pandas单元格字符串里搜索关键词并映射对应值的需求，我整理了几种实用的方法，结合你的示例一步步给你说明：

方法一：使用str.contains结合numpy.select（适合多关键词优先级匹配） #

这种方法适合你需要给关键词设定匹配优先级的场景——比如你想优先匹配Python，再匹配Pandas，那即使单元格里同时有两个关键词，也会返回优先级高的那个对应值：

import pandas as pd
import numpy as np

# 构造示例DataFrame
df = pd.DataFrame({
    "序号": [1,2,3,4],
    "描述文本": ["这是一篇关于Python的教程文章", "Pandas数据处理技巧分享", "Python与Pandas实战案例解析", "Java开发入门指南"]
})

# 关键词-值映射
keyword_map = {
    "Python": "编程语言",
    "Pandas": "数据工具",
    "Java": "编程语言"
}

# 提取关键词列表和对应的值列表，注意顺序就是匹配优先级
keywords = list(keyword_map.keys())
values = list(keyword_map.values())

# 创建匹配条件列表：每个关键词对应一个str.contains的布尔数组，case=False忽略大小写
conditions = [df["描述文本"].str.contains(key, case=False) for key in keywords]

# 使用numpy.select匹配，没有匹配到的设为"未分类"
df["分类"] = np.select(conditions, values, default="未分类")

print(df)

运行后输出的结果：

序号                     描述文本    分类
0    1  这是一篇关于Python的教程文章  编程语言
1    2       Pandas数据处理技巧分享  数据工具
2    3   Python与Pandas实战案例解析  编程语言
3    4             Java开发入门指南  编程语言

方法二：使用apply自定义函数（适合灵活处理多关键词合并） #

如果想要把所有匹配到的关键词对应的分类合并展示（比如第3行同时返回“编程语言,数据工具”），用apply结合自定义函数就很灵活：

def get_category(text):
    categories = set()
    for key, val in keyword_map.items():
        if key in text:
            categories.add(val)
    return ",".join(categories) if categories else "未分类"

df["分类"] = df["描述文本"].apply(get_category)

print(df)

输出结果：

序号                     描述文本        分类
0    1  这是一篇关于Python的教程文章      编程语言
1    2       Pandas数据处理技巧分享      数据工具
2    3   Python与Pandas实战案例解析  编程语言,数据工具
3    4             Java开发入门指南      编程语言

方法三：使用str.extract提取关键词再映射（适合精准提取关键词） #

如果你的关键词都是独立的词汇，也可以先提取出匹配的关键词，再用map映射对应值，这种方式能清晰看到匹配到的具体关键词：

import re

# 用正则表达式匹配所有关键词，|分隔表示或，re.escape处理关键词里的特殊字符
pattern = "|".join(re.escape(key) for key in keywords)
# 提取第一个匹配的关键词，flags=re.IGNORECASE忽略大小写
df["匹配关键词"] = df["描述文本"].str.extract(f'({pattern})', flags=re.IGNORECASE)[0]
# 映射分类值，空值填充"未分类"
df["分类"] = df["匹配关键词"].map(keyword_map).fillna("未分类")

print(df)

一些额外提示： #

• 如果你担心关键词的大小写问题，记得在str.contains或者正则里加上忽略大小写的参数（比如case=False、flags=re.IGNORECASE）
• 如果你的数据集很大，apply的效率会比矢量化的str.contains+numpy.select低，优先选择矢量化方法
• 要是关键词里包含正则特殊字符（比如.、*、+），一定要用re.escape()转义，避免正则匹配出错

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