这里有一个标志:

In [11]: df = pd.DataFrame([["foo1"], ["foo2"], ["bar"], [np.nan]], columns=['a'])

In [12]: df.a.str.contains("foo")
Out[12]:
0     True
1     True
2    False
3      NaN
Name: a, dtype: object

In [13]: df.a.str.contains("foo", na=False)
Out[13]:
0     True
1     True
2    False
3    False
Name: a, dtype: bool

请参阅str.replace文档:

na:默认NaN，为缺失值填充值。

所以你可以这样做:

In [21]: df.loc[df.a.str.contains("foo", na=False)]
Out[21]:
      a
0  foo1
1  foo2

除了上面的答案，我想说的是，对于没有单一单词名称的列，你可以使用:-

df[df['Product ID'].str.contains("foo") == True]

希望这能有所帮助。

我不知道为什么(实际上来这里是为了寻找答案)，但这也是可行的，并且不需要替换所有nan值。

import pandas as pd
import numpy as np

df = pd.DataFrame([["foo1"], ["foo2"], ["bar"], [np.nan]], columns=['a'])

newdf = df.loc[df['a'].str.contains('foo') == True]

使用或不使用.loc都有效。

我不知道为什么这是可行的，正如我所理解的，当你用括号索引时，熊猫评估括号内的任何东西为真或假。我不知道为什么括号内的短语“额外布尔”有任何影响。

您还可以制模:

DF[DF.col.str.contains(pat = '(foo)', regex = True) ]

df[df.col.str.contains("foo").fillna(False)]

也可以使用query方法查询DataFrame的列，使用布尔表达式，如下所示:

df.query("a.str.contains('foo', na=False)")

或者更有趣的，我认为更容易读懂:

df.query("a.str.contains('foo')==True")

注意，您可能不会得到性能上的改进，但是可读性更强(可以说)。