用正则表达式在连字符后接数字前提取字符串的一部分

Question

我有一个数据框test其中的列category包含单词，字符和数字的复杂模式。 我需要将由连字符分隔的单词先提取，然后再将数字提取到新列sub_category 。

我不是正则表达式专家，所以花了很多时间与之抗争。 因此，将感谢您的帮助！

test = pd.DataFrame({
    'id': ['1','2','3','4'],
    'category': ['worda-wordb-1234.ds.er89.',
    'worda-4567.we.77-ty','wordc-wordd-5698/de/','wordc-2356/rt/']
    })

所需的输出：

    id  category                sub_category
0   1   worda-wordb-1234.ds.er  worda-wordb
1   2   worda-4567.we.ty        worda
2   3   wordc-wordd-5698/de/    wordc-wordd
3   4   wordc-2356/rt/          wordc

Answer 1

使用str.extract，

test['sub-category'] = test.category.str.extract('(.*)-\d+')

    id  category                    sub-category
0   1   worda-wordb-1234.ds.er89.   worda-wordb
1   2   worda-4567.we.77-ty         worda
2   3   wordc-wordd-5698/de/        wordc-wordd
3   4   wordc-2356/rt/              wordc

Answer 2

您想要的只是字符串的开头和尽可能多的非数字，最后一个连字符除外。 这应该可以解决问题：

^\D+?(?=-\d)

演示

说明：

• ^匹配字符串的开头
• \\D+? 匹配非数字，但以非贪婪方式
• (?=-\\d)匹配连字符后跟数字； 这迫使上一场比赛停止。

Answer 3

您也可以使用split()做到这一点：

>>> df
  id                   category
0  1  worda-wordb-1234.ds.er89.
1  2        worda-4567.we.77-ty
2  3       wordc-wordd-5698/de/
3  4             wordc-2356/rt/

结果输出：

>>> df['sub_category'] = df.category.str.split('-\d+',expand=True)[0]

>>> df
  id                   category sub_category
0  1  worda-wordb-1234.ds.er89.  worda-wordb
1  2        worda-4567.we.77-ty        worda
2  3       wordc-wordd-5698/de/  wordc-wordd
3  4             wordc-2356/rt/        wordc

或，如@jezrael在split（）方法中建议的那样，几乎没有什么变化，它指定了数据集所需的分割数，此处仅此一个...

df['sub_category'] = df.category.str.split('-\d+',n=1).str[0]