如何在 Pandas 中按元素交集合并两列字符串

2026-01-01 00:00:00 作者：花韻仙語

本文介绍如何将 dataframe 中两列以逗号分隔的字符串进行逐行元素级交集运算，并生成新列；支持空交集时返回 `pd.na`，代码简洁高效，适用于文本标签、关键词匹配等场景。

在实际数据处理中，我们常遇到两列存储了用逗号分隔的标签、技能、品类等字符串（如 "#%#$#%@%@%$#%$#%#%#$%@_23eeeb4347bdd26bfc++6b7ee9a3b755dd, java, c++"），需要提取它们的共同元素作为新特征。Pandas 本身不直接支持字符串集合运算，但可通过 Python 原生 set 与列表推导式高效实现。

以下为完整操作步骤：

✅ 步骤一：构建示例数据

import pandas as pd

data = {
    'Col1': ["apple, banana, orange", "dog, cat", "python, java, c++"],
    'Col2': ["banana, lemon, blueberry", "bird, cat", "R, fortran"]
}
df = pd.DataFrame(data)

✅ 步骤二：计算元素交集并生成 Col3

核心逻辑是：对每行的 Col1 和 Col2 字符串分别
① 用 .split(', ') 拆分为列表；
② 转为 set 类型以支持交集运算（&）；
③ 将交集结果用 ', '.join() 合并回字符串；
④ 若交集为空，显式赋值为 pd.NA（推荐做法，保持缺失值语义清晰）。

df['Col3'] = [
    ', '.join(set(a.split(', ')) & set(b.split(', '))) or pd.NA
    for a, b in zip(df['Col1'], df['Col2'])
]

? 说明：or pd.NA 是简洁写法，等价于三元表达式 x if x else pd.NA。它确保空字符串（即无交集）被替换为 pd.NA，而非空字符串 ""，从而正确参与后续 isna() 判断、统计或可视化。

✅ 输出效果

Col1	Col2	Col3
apple, banana, orange	banana, lemon, blueberry	banana
dog, cat	bird, cat	cat
python, java, c++	R, fortran

⚠️ 注意事项

空格敏感：split(', ') 要求逗号后紧跟一个空格。若原始数据格式不统一（如 "apple,banana" 或 "apple , cat"），建议先标准化：
```
df['Col1'] = df['Col1'].str.replace(r'\s*,\s*', ', ', regex=True).str.strip()
```
大小写处理：如需忽略大小写，可在转 set 前统一小写：
set(a.lower().split(', ')) & set(b.lower().split(', '))
性能提示：对于超大数据集（百万行以上），可改用 apply + lambda 并启用 vectorize=False，或考虑 swifter 加速；但列表推导式在多数场景下已足够快且内存友好。