从不同长度的字符串值中提取某些整数，其中包含不需要的整数。 模式或位置

Question

我有些是初学者程序员，正在寻求帮助和问题的解释。 我正在寻找将ID编号从字符串中提取到新列中，然后填写缺失的编号。

我正在使用pandas数据框，并且具有以下街道名称集，其中一些具有ID号，而另一些则缺失：

*Start station*:
"19th & L St (31224)"
"14th & R St NW (31202)"
"Paul Rd & Pl NW (31602)"
"14th & R St NW"
"19th & L St"
"Paul Rd & Pl NW"

My desired outcome:
*Start station*         *StartStatNum*
"14th & R St NW"        31202
"19th & L St"           31224
"Paul Rd & Pl NW"       31602
"14th & R St NW"        31202
"19th & L St"           31224
"Paul Rd & Pl NW"       31602

拆分的第一步后，我遇到了困难。 我可以根据位置使用以下内容进行拆分：

def Stat_Num(Stat_Num):
    return Stat_Num.split('(')[-1].split(')')[0].strip()

db["StartStatNum"] = pd.DataFrame({'Num':db['Start station'].apply(Stat_Num)})

But this gives:
*Start station*         *StartStatNum*
"19th & L St (31224)"        31202
"14th & R St NW (31202)"     31224
"Paul Rd & Pl NW (31602)"    31602
"14th & R St NW"            "14th & R St NW"
"19th & L St"               "19th & L St"
"Paul Rd & Pl NW"           "Paul Rd & Pl NW"

然后，当我想用​​我没有的工作站ID号查找/填充StartStatNum时，就会出现问题。

我一直在尝试了解str.extract, str.contains, re.findall并尝试了以下方法作为可能的垫脚石：

db['Start_S2']  = db['Start_Stat_Num'].str.extract(" ((\d+))")
db['Start_S2']  = db['Start station'].str.contains(" ((\d+))")
db['Start_S2']  = db['Start station'].re.findall(" ((\d+))")

我也从这里尝试了以下

def parseIntegers(mixedList):
return [x for x in db['Start station'] if (isinstance(x, int) or isinstance(x, long)) and not isinstance(x, bool)]

但是，当我传入值时，会得到带有1个值的列表'x'。 有点菜鸟，我认为走模式路线不是最好的，因为它也会吸收不需要的整数（尽管我可能会求助于Nan，因为它们会小于30000（ID号的最小值））我也有一个想法，那就是我可能忽略了一些简单的事情，但是经过连续20个小时的搜索和大量搜索之后，我有些茫然。

任何帮助都将非常有帮助。

Answer 1

解决方案可能是通过转换创建数据框

station -> id 

喜欢

l = ["19th & L St (31224)",
    "14th & R St NW (31202)",
    "Paul Rd & Pl NW (31602)",
    "14th & R St NW",
    "19th & L St",
    "Paul Rd & Pl NW",]

df = pd.DataFrame( {"station":l})
df_dict = df['station'].str.extract("(?P<station_name>.*)\((?P<id>\d+)\)").dropna()
print df_dict

 # result:
       station_name     id
 0      19th & L St   31224
 1   14th & R St NW   31202
 2  Paul Rd & Pl NW   31602
 [3 rows x 2 columns]

从那里开始，您可以使用一些列表理解：

l2 = [ [row["station_name"], row["id"]]
       for line in l
       for k,row in df_dict.iterrows()
       if row["station_name"].strip() in line]

要得到：

 [['19th & L St ', '31224'], 
  ['14th & R St NW ', '31202'], 
  ['Paul Rd & Pl NW ', '31602'], 
  ['14th & R St NW ', '31202'], 
  ['19th & L St ', '31224'], 
  ['Paul Rd & Pl NW ', '31602']]

我让你在数据框中转换后面的内容...

至少在最后一部分可能会有更好的解决方案...

Answer 2

这是一种对我有用的方法，首先提取括号中的数字：

In [71]:

df['start stat num'] = df['Start station'].str.findall(r'\((\d+)\)').str[0]
df
Out[71]:
             Start station start stat num
0      19th & L St (31224)          31224
1   14th & R St NW (31202)          31202
2  Paul Rd & Pl NW (31602)          31602
3           14th & R St NW            NaN
4              19th & L St            NaN
5          Paul Rd & Pl NW            NaN

现在删除号码，因为我们不再需要它了：

In [72]:

df['Start station'] = df['Start station'].str.split(' \(').str[0]
df
Out[72]:
     Start station start stat num
0      19th & L St          31224
1   14th & R St NW          31202
2  Paul Rd & Pl NW          31602
3   14th & R St NW            NaN
4      19th & L St            NaN
5  Paul Rd & Pl NW            NaN

现在，我们可以通过在df上调用map并删除NaN行，然后将站名设置为索引来填充缺少的站号，这将查找站名并返回站号：

In [73]:

df['start stat num'] = df['Start station'].map(df.dropna().set_index('Start station')['start stat num'])
df
Out[73]:
     Start station start stat num
0      19th & L St          31224
1   14th & R St NW          31202
2  Paul Rd & Pl NW          31602
3   14th & R St NW          31202
4      19th & L St          31224
5  Paul Rd & Pl NW          31602