如何在 pandas 中的另一个单词之前提取一个单词

Question

我有这个 pandas DataFrame，这是对足球比赛中比赛的描述：

play_id	类型	文本
1	经过	乔恩完成传球给本。
2	经过	时钟 14:52，乔恩传球给米奇。
3	匆忙	弗兰克·拉什。

我的目标是创建一个名为“passer”的新列，其脚本将 go 通过“text”列中的描述，并将采用放在单词“pass”之前的名称。所以我首先使用了这个：

df['passer'] = df['Text'].str.extract(r'(.*?)pass', expand=False).str.strip()

这给了我这个：

play_id	类型	文本	过路人
1	经过	乔恩完成传球给本。	乔恩
2	经过	时钟 14:52，乔恩传球给米奇。	时钟 14:52，乔恩
3	匆忙	弗兰克·拉什。	钠

它适用于第一个和第三个 playid，但不适用于第二个，因为它需要时钟，有时可以包含在描述中。

我试图在创建我的列时实现条件，代码检查描述中是否包含“时钟”，并使用正确的正则表达式，但这不起作用：

conditions = [
    (np.where(df.Text.str.contains('Clock', case=False))),
    (np.where(~df.Text.str.contains('Clock', case=False)))
    ]

choices = [
    df['Text'].str.extract(r', (.*?) pass', expand=False).str.strip(), 
    df['Text'].str.extract('(.*?) pass', expand=False).str.strip()
    ]

df['passerNEW'] = np.select(conditions, choices, default='NaN')
df

我收到以下错误：

TypeError：condlist 中的无效条目 0：应该是 boolean ndarray

有没有办法让这个 function 工作？ 这似乎是一个很好的方法，因为在其他情况下，我可以检查三个不同的条件，以便知道要使用哪个正则表达式。

Answer 1

• 将pandas.Series.str.extract与肯定的前瞻条件一起使用。
  • 请参阅SO：Regex lookahead、lookbehind 和 atomic groups以获得对lookahead的全面解释。
  • \s+pass适用于名称和'pass'之间的任意数量的空格（例如'Jon PaSs' ）
• flags=re.IGNORECASE用于忽略'pass'的大小写
  • df.Text.str.lower().str.extract('(\w+(?=\s+pass))')可以用来代替为标志导入re 。

import pandas as pd
import re

# test dataframe
data = {'play_id': ['1', '2', '3'], 'type': ['pass', 'pass', 'rush'], 'Text': ['Jon PASS complete to Ben.', 'Clock 14:52, Jon pass complete to Mitch.', 'Frank rush.']}
df = pd.DataFrame(data)

# display(df)
play_id type                                     Text
      1 pass                Jon PASS complete to Ben.
      2 pass Clock 14:52, Jon pass complete to Mitch.
      3 rush                              Frank rush.

# extract
df['passer'] = df.Text.str.extract('(\w+(?=\s+pass))', flags=re.IGNORECASE)

# display(df)
play_id type                                     Text passer
      1 pass                Jon PASS complete to Ben.    Jon
      2 pass Clock 14:52, Jon pass complete to Mitch.    Jon
      3 rush                              Frank rush.    NaN

Answer 2

尝试使用(?=)积极的前瞻，一种零宽度断言。 因此，代码将如下所示：

df['passer'] = df['Text'].str.extract(r'(\w+)(?=\spass)', expand=False)

Output：

| play_id  | type  | Text                                     | passer |
| -------- | ----- | ---------------------------------------- | ------ |
| 1        | pass  | Jon pass complete to Ben.                | Jon    |
| 2        | pass  | Clock 14:52, Jon pass complete to Mitch. | Jon    |
| 3        | rush  | Frank rush.                              | NaN    |