从列中提取 substring 并替换列数据框

Question

我需要一些帮助，从我的数据框中的列中提取 substring，然后用 substring 替换该列。 我想知道 python 是否会更好地剥离字符串或使用正则表达式用 substring 替换/替换字符串。

该字符串在列中看起来像这样：

Person
------
<Person 1234567 Tom Brady>
<Person 456789012 Mary Ann Thomas>
<Person 92145 John Smith>

我想要的是这样的：

Person
------
Tom Brady
Mary Ann Thomas
John Smith

到目前为止，我所拥有的正则表达式 go 是这样的：

/^([^.]+[.]+[^.]+)[.]/g

这只是得到这部分'<Person 1234567'，不知道如何从最后得到'>'。

Answer 1

Python 正则表达式有一个称为search的 function，它在字符串中找到匹配的模式。 通过给出的示例，您可以使用正则表达式来提取名称：

import re
s = "<Person 1234567 John Smith>"
re.search("[A-Z][a-z]+(\s[A-Z][a-z]+)+", s).group(0)
>>> 'John Smith'

正则表达式[AZ][az]+(\s[AZ][az]+)+只是匹配名称（Tom Brady、Mary Ann Thomas 等）

我喜欢使用 Panda 的apply function 对每一行应用一个操作，所以最终结果如下所示：

import re
import pandas as pd

def extract_name(row):
    row["Person"] = re.search("[A-Z][a-z]+(\s[A-Z][a-z]+)+", row["Person"]).group(0)
    return row

df = YOUR DATAFRAME
df2 = df.apply(extract_name, axis=1)

并且df2具有提取名称的 Person 列。

Answer 2

您可以首先使用此代码识别所有字母以保持简单

res =  re.findall(r"[^()0-9-]+", string)
res[1]

这应该会返回一个字符串列表['Person', 'Tom Brady'] ，然后您可以使用res[1]访问 Person 的名称

**备注：我还没有尝试过代码，如果它也返回空格，你应该可以使用strip()轻松删除它们，或者它应该是列表res[3]的第三个字符串。

您可以在线或通过文档阅读有关re.findall()的更多信息。

Answer 3

多种方式，但您可以使用str.replace() ：

import pandas as pd

df = pd.DataFrame({'Person': ['<Person 1234567 Tom Brady>',
                              '<Person 456789012 Mary Ann Thomas>',
                              '<Person 92145 John Smith>']})
df['Person'] = df['Person'].str.replace(r'(?:<Person[\d\s]+|>)', '', regex=True)

print(df)

印刷：

            Person
0        Tom Brady
1  Mary Ann Thomas
2       John Smith

---

使用的模式： (?:<Person[\d\s]+|>) ，请参阅在线演示：

• (?: - 打开非捕获组进行交替；
  • <Person[\d\s]+ - 匹配文字 '<Person' 后跟 1+ 个空格字符或数字；
  • | - 或者;
  • > - 文字 '>'
  • ) - 关闭组。