使用正則表達式獲取子字符串在DataFrame列中的位置

Question

我想使用正則表達式將字符串分解為Pandas DataFrame列。

樣本csv數據[ 更新 ]：

Data;Code;Temp;....
12 364 OPR 4 67474;;33;...
893 73 GDP hdj 747;;34;...
hr 777 hr9 GDP;;30;...
463 7g 448 OPR;;28;...

期望的情況：[ 更新 ]

Data           | Code        | Temp     | ...
------------------------------------------------
12 364         | OPR 4 67474 | 33       | ...
893 73         | GDP hdj 747 | 34       | ...
hr 777 hr9 GDP | NaN         | 30       | ...
463 7g 448 OPR | NaN         | 28       | ...

正則表達式：

code = re.compile('\sOPR.?[^$]|\sGDP.?[^$]')

如果OPR或GDP不在字符串末尾，我只需要拆分即可。 我一直在尋找一種根據比賽位置進行分組的方法。 類似於： match.start() ）
我嘗試了類似的東西： df['data'].str.contains(code, regex=True)和df['data'] = df['data'].str.extract(code, expand=True)和str.find似乎只適用於字符串，而不適用於re.Pattern 。 我沒有完成。

我對Pandas很陌生，所以請多多包涵。

Answer 1

我對python相當陌生，因此如果這不是一個好方法，則有人可以發表評論。 我的思路是接受輸入並逐行處理它。 刪除尾隨的半冒號，因為輸出中沒有它。 然后使用正則表達式，僅當其后接OPR或GDP並且不在行末時，才使用空格將行分隔。 如果這僅給出列表中的一項，則在列表后附加NaN以填充第二列。 然后我已經打印了格式。

import re
data_string="""12 364 OPR 4 67474;
893 73 GDP hdj 747;
hr 777 hr9 GDP;
463 7g 448 OPR;
"""

data_list=data_string.splitlines()
for data in data_list:
    data_split=re.split("\s(?=(?:GDP|OPR)[^$])",data[:-1])
    if len(data_split)==1: data_split.append("NaN")
    print("%-20s|%-20s" % tuple(data_split))

輸出值

12 364              |OPR 4 67474         
893 73              |GDP hdj 747         
hr 777 hr9 GDP      |NaN                 
463 7g 448 OPR      |NaN                 

根據問題編輯和評論進行了更新

根據您對問題和評論的更新，可以嘗試以下操作。 我建議您對此進行測試並檢查是否存在任何極端情況，或者在執行更新之前添加驗證或條件檢查。

import pandas as pd
import re

source_data = {'data': ['12 364 OPR 4 67474', '893 73 GDP hdj 747', 'hr 777 hr9 GDP','463 7g 448 OPR'],
         'code': [None, None, None, None],
         'Temp': [33,34,30,28]
         }
df = pd.DataFrame.from_dict(source_data)
print("Original df:")
print(df, "\n")

row_iter=df.iterrows()
for index,row in row_iter:
    data=df.at[index,'data']
    data_split=re.split("\s(?=(?:GDP|OPR)[^$])",data)
    if len(data_split)==2:
        df.at[index,'data']=data_split[0]
        df.at[index,'code']=data_split[1]

print("Updated df:")
print(df)

輸出值

Original df:
                 data  code  Temp
0  12 364 OPR 4 67474  None    33
1  893 73 GDP hdj 747  None    34
2      hr 777 hr9 GDP  None    30
3      463 7g 448 OPR  None    28 

Updated df:
             data         code  Temp
0          12 364  OPR 4 67474    33
1          893 73  GDP hdj 747    34
2  hr 777 hr9 GDP         None    30
3  463 7g 448 OPR         None    28

Answer 2

因此，首先您必須檢查數據末尾是否具有GDP或OPR。 如果沒有，那么您可以使用分組的正則表達式來獲取所需的項目。 圓括號（）中的內容代表一個組。 我使用最佳的語法？P命名了它們。

import re

data = ["12 364 OPR 4 67474;",
   "893 73 GDP hdj 747;",
   "hr 777 hr9 GDP;",
   "463 7g 448 OPR;"]

for item in data:
# first check if it ends with GPR; or OPR;
if re.search("GDP;|OPR;$", item):
    # as u specified it needs to be ignored
    print(item)
else:
    # now u can split into two parts - i am splitting in three but u can do use them however u like
    splited_match_obj = re.search("(?P<Data>.+)(?P<Value>OPR|GDP)(?P<Code>.+)", item)
    print(splited_match_obj["Data"], splited_match_obj["Value"], splited_match_obj["Code"] )

Answer 3

可以說這是您的數據框，

    Data                Temp
0   12 364 OPR 4 67474  33
1   893 73 GDP hdj 747  34
2   hr 777 hr9 GDP      30
3   463 7g 448 OPR      28

您可以根據條件將提取與多個捕獲組一起使用

df1[['Data', 'Code']] = df.loc[~df['Data'].str.endswith(('OPR','GDP')), 'Data'].str.extract('(.*)([A-Z]{3} .*)')
df2[['Data', 'Code']] = df.loc[df['Data'].str.endswith(('OPR','GDP')), 'Data'].str.extract('(.*[OPR|GDP]$)(.*)')
df[['Data', 'Code']] = pd.concat([df1,df2])

    Data            Temp    Code
0   12 364          33      OPR 4 67474
1   893 73          34      GDP hdj 747
2   hr 777 hr9 GDP  30  
3   463 7g 448 OPR  28