使用 for 循环从列表中提取 2 个值

Question

我有一个很大的 Excel 工作表，其中有一列包含几个不同的标识符（例如 ISBN）。 我已将工作表转换为熊猫数据框，并将带有标识符的列转换为列表。 原始列的一行的列表条目如下所示：

'ISBN:978-9941-30-551-1 Broschur :  GEL 14.90, IDN:1215507534'

但是，它们并不完全相同，有些带有 ISBN，有些没有，有些条目较多，有些条目较少（在上面的示例中为 5），并且不同的 ID 大部分（但不是全部）由逗号。

在下一步中，我构建了一个函数，该函数遍历各种列表项（一个长字符串，如上面的那个），然后将其拆分为不同的单词（所以我得到类似

'ISBN:978-9941-30-551-1', 'Broschur :', 'GEL', '14.90', 'IDN:1215507534'

我希望提取 ISBN 和 IDN（如果存在）的值，然后将 ISBN 的指定列和 IDN 的指定列添加到我的原始数据帧（而不是包含混合数据的“标识符”列）。

我现在有以下代码，哪种代码可以完成它应该做的事情，但最终我的字典中只有列表，因此结果数据框中的每个条目都有一个列表。 我相信一定有更好的方法来做到这一点，但似乎无法想到......

def find_stuff(item): 
        
    list_of_words = item.split()
    ISBN = list()
    IDN = list()
    
    for word in list_of_words:

        if 'ISBN' in word: 
            var = word
            var = var.replace("ISBN:", "")
            ISBN.append(var)
             
        if 'IDN' in word: 
            var2 = word
            var2 = var2.replace("IDN:", "")
            IDN.append(var2)

    
    sum_dict = {"ISBN":ISBN, "IDN":IDN}
    
    return sum_dict



output = [find_stuff(item) for item in id_lists]
print(output)

非常感谢任何帮助:)

Answer 1

由于您在pandas工作，我建议使用熊猫的字符串方法来提取相关信息并将它们直接分配给新列。 在下面的答案中，我展示了一些可能性：

import pandas as pd

df = pd.DataFrame(['ISBN:978-9941-30-551-1 Broschur :  GEL 14.90, IDN:1215507534'], columns=['identifier'])

def retrieve_text(lst, text):
    try:
        return [i for i in lst if text in i][0]
    except:
        return None

df['ISBN'] = df['identifier'].str.split().apply(lambda x: retrieve_text(x, 'ISBN')) #use a custom function to filter the list
df['IDN'] = df['identifier'].str.split().apply(lambda x: retrieve_text(x, 'IDN'))
df['name'] = df['identifier'].str.split().str[1] #get by index
df['price'] = df['identifier'].str.extract(r'(\d+\.\d+)').astype('float') #use regex, no need to split the string here

输出：

	标识符	国际标准书号	国际化域名	名称	价钱
0	ISBN:978-9941-30-551-1 Broschur: GEL 14.90, IDN:1215507534	ISBN：978-9941-30-551-1	IDN：1215507534	小册子	14.9

Answer 2

您不需要函数，只需将带有命名组的正则表达式应用于包含长字符串的原始列。

让我们想象一下这个例子：

df = pd.DataFrame({'other_column': ['blah', 'blah'],
                   'identifier': ['ISBN:978-9941-30-551-1 Broschur :  GEL 14.90, IDN:1215507534',
                                  'ISBN:123-4567-89-012-3 blah IDN:1234567890 other'
                                 ],
                  })

  other_column                                                    identifier
0         blah  ISBN:978-9941-30-551-1 Broschur :  GEL 14.90, IDN:1215507534
1         blah              ISBN:123-4567-89-012-3 blah IDN:1234567890 other

如果ISBN总是在IDN之前，您可以使用pandas.Series.str.extract ：

df['identifier'].str.extract('(?P<ISBN>ISBN:[\d-]+).*(?P<IDN>IDN:\d+)')

输出：

                     ISBN             IDN
0  ISBN:978-9941-30-551-1  IDN:1215507534
1  ISBN:123-4567-89-012-3  IDN:1234567890

如果有可能不总是按此顺序存在，则使用pandas.Series.str.extractall并使用groupby重新处理输出：

(df['identifier'].str.extractall('(?P<ISBN>ISBN:[\d-]+)|(?P<IDN>IDN:\d+)')
                 .groupby(level=0).first()
)

最后，如果您不想要标识符名称，请将正则表达式更改为'(?:ISBN:(?P<ISBN>[\\d-]+))|(?:IDN:(?P<IDN>\\d+))' :

(df['identifier'].str.extractall('(?:ISBN:(?P<ISBN>[\d-]+))|(?:IDN:(?P<IDN>\d+))')
                 .groupby(level=0).first()
)

输出：

                ISBN         IDN
0  978-9941-30-551-1  1215507534
1  123-4567-89-012-3  1234567890

注意。 如果您需要字典作为输出，您可以在命令末尾附加.to_dict('index') 。 这给你

{0: {'ISBN': '978-9941-30-551-1', 'IDN': '1215507534'},
 1: {'ISBN': '123-4567-89-012-3', 'IDN': '1234567890'}}