这将比应用解决方案(和循环解决方案)更快

仅供参考：(这是0.13)。在0.12中，您需要首先创建Type列。在In [36]: data.loc[data.Lang.str.match(pat[0]),'Type'] = 'B'

In [37]: data.loc[data.Lang.str.match(pat[1]),'Type'] = 'A'

In [38]: data

Out[38]:

Lang Type

0 Python B

1 Cython NaN

2 Scipy A

3 Numpy NaN

4 Pandas B

[5 rows x 2 columns]

In [39]: data.fillna('')

Out[39]:

Lang Type

0 Python B

1 Cython

2 Scipy A

3 Numpy

4 Pandas B

[5 rows x 2 columns]

以下是一些时间安排：

^{pr2}$

你最初的想法

^{3}$

直接索引In [42]: %timeit f2(bigdata)

100 loops, best of 3: 17.3 ms per loop

应用In [43]: %timeit f1(bigdata)

10 loops, best of 3: 21.8 ms per loop

这是另一种更通用的方法，它速度更快，prob更有用

如果你想的话，你可以在groupby中组合模式。在In [107]: pats

Out[107]: {'A': '^P\\w', 'B': '^S\\w'}

In [108]: concat([df,DataFrame(dict([ (c,Series(c,index=df.index)[df.Lang.str.match(p)].reindex(df.index)) for c,p in pats.items() ]))],axis=1)

Out[108]:

Lang A B

0 Python A NaN

1 Cython NaN NaN

2 Scipy NaN B

3 Numpy NaN NaN

4 Pandas A NaN

5 Python A NaN

6 Cython NaN NaN

45 Python A NaN

46 Cython NaN NaN

47 Scipy NaN B

48 Numpy NaN NaN

49 Pandas A NaN

50 Python A NaN

51 Cython NaN NaN

52 Scipy NaN B

53 Numpy NaN NaN

54 Pandas A NaN

55 Python A NaN

56 Cython NaN NaN

57 Scipy NaN B

58 Numpy NaN NaN

59 Pandas A NaN

... ... ...

[10000 rows x 3 columns]

In [106]: %timeit concat([df,DataFrame(dict([ (c,Series(c,index=df.index)[df.Lang.str.match(p)].reindex(df.index)) for c,p in pats.items() ]))],axis=1)

100 loops, best of 3: 15.5 ms per loop

这个框架为每个模式附加一个序列，使字母处于正确的位置(否则为NaN)。在

创造一系列的字母Series(c,index=df.index)

从中选择匹配项Series(c,index=df.index)[df.Lang.str.match(p)]

重新编制索引时，将NaN放入索引中不存在的值Series(c,index=df.index)[df.Lang.str.match(p)].reindex(df.index))