[Pandas] str.contains를 사용하는 이유 - 정규표현식

Pandas의 기본 인덱싱

 

인덱싱이란? index를 기반으로 값의 위치를 찾는 행위를 말합니다. Pandas에서는 보통 loc를 많이 사용합니다.

 

 import pandas as pd
 
 sampleData = pd.DataFrame()
 sampleData['val1'] = ['M', 'F', 'M', 'M', 'F']

 

위와 같은 샘플 데이터가 있다고 가정해보겠습니다. 만약, M만 추출하려면 아래와 같이 조건을 설정하면 됩니다. 

 

sampleData.loc[(sampleData.val1 == 'M'), 'val1']

 

https://gibles-deepmind.tistory.com/65?category=892466#head3 

[Pandas] 이것만은 알고가자 - 1.Indexing(iloc, loc)

(인덱싱 내용 참조)

 

Pandas에서 정규표현식을 사용하려면?

 

Pandas에서 정규표현식을 사용하여 인덱싱을 하기 위해서는 기존의 표현 방식을 벗어날 필요가 있습니다. 왜냐하면, 기존의 조건문은 == 완전한 일치 관계를 찾기 때문인데요.

 

이는 무수히 많은 문자열 가운데 규칙을 표준화하여 특정 문자열을 찾아주는 정규표현식의 철학과 맞지 않습니다. 따라서, 포함 관계를 찾을 수 있는 메서드를 사용하여야 합니다.

 

str.contains - 포함하면 값을 반환

 

 import pandas as pd
 
sampleData = pd.DataFrame()
sampleData['val1'] = ['abc1.pdf', 'abc2.pdf', 'abc3.pdf', 'abc4.pdf', 'abc5.pdf']

 

위의 데이터에서 pdf 파일명 1~3만 추출하는 상황을 가정해보겠습니다.

 

sampleData.loc[sampleData['val1'].str.contains(r"abc[1-3]")]

 

위와 같이 간단하게 pdf파일명만 찾을 수 있습니다.

 

def getRegex(df : pd.DataFrame, col_name : str, regex : str) -> pd.DataFrame :
    return df[df[col_name].str.contains(regex)]
    
getRegex(sampleData, 'val1', r'abc[1-3]')

 

위와 같이 정규표현식을 인덱싱하는 간단한 함수를 사용할 수도 있습니다.