使用 pandas 基於正則表達式分離列數據

Question

我有一個 dataframe 如下圖所示

df = pd.DataFrame({'val': ['>1234','<>','<1000','<test','31sadj',123,43.21]})

我想創建 3 個新列

val_num - 將僅存儲 NUMBER 個值以及符號 ex：1234（來自 >1234）和 1000（來自 <1000）但不會存儲 31（來自 31sadj），因為它沒有任何符號

val_str - 將僅存儲NUMBER 、 symbols 、 ALPHABETS或純字母組合的值，例如：31sadj。 它可以有除> 、 < 、 =之外的任何符號

val_symbol - 將僅存儲 3 個符號，例如> 、 < 、 =

我嘗試了以下但不准確

df['val_SYMBOL'] = df['val'].str.extract(r'([<>=]+)').fillna('=')
df['val_num'] = df['val'].str.extract(r'([0-9]+)')
df['val_str'] = df['val'].str.extract(r'([a-zA-Z0-9\s-]+)') 

我希望我的 output 如下所示

Answer 1

您可以使用

df['val_SYMBOL'] = df['val'].astype(str).str.extract(r'([<>=]+)').fillna('=')
df['val_num'] = df['val'].astype(str).str.extract(r'\b(\d+(?:\.\d+)?)\b')
df['val_str'] = df['val'].astype(str).str.extract(r'([^<>=]*[a-zA-Z][^<>=]*)')

您想處理混合數據類型列，因此第一個操作是使用astype(str)將數據轉換為字符串。

val_num列填充有\b(\d+(?:\.\d+)?)\b匹配、integer 或作為整個單詞匹配的浮點數（ \b代表單詞邊界）。

val_str列填充有([^<>=]*[a-zA-Z][^<>=]*)匹配項，它搜索除< 、 >和=之外的零個或多個字符，然后是一個字母和然后又是< 、 >和=以外的零個或多個字符。

output 我得到：

>>> df
      val val_SYMBOL val_num val_str
0   >1234          >    1234     NaN
1      <>         <>     NaN     NaN
2   <1000          <    1000     NaN
3   <test          <     NaN    test
4  31sadj          =     NaN  31sadj
5     123          =     123     NaN
6   43.21          =   43.21     NaN

Answer 2

Series.str.extract

我們可以將extract與包含三個捕獲組的正則表達式模式一起使用。

df['val'].astype(str).str.extract(
    r'([<>=]+)?((?<=[<>=])\d+\.?\d*|\d+\.?\d*(?=$))?(.+)?').fillna({0: '='})

---

    0      1       2
0   >   1234     NaN
1  <>    NaN     NaN
2   <   1000     NaN
3   <    NaN    test
4   =    NaN  31sadj
5   =    123     NaN
6   =  43.21     NaN

正則表達式詳細信息

• ([<>=]+)? : 第一個捕獲組匹配零次或一次

  • [<>=]+ : 匹配列表中的一個或多個字符[<>=]

• ((?<=[<>=])\d+\.?\d*|\d+\.?\d*(?=$))? :: 第二個捕獲組匹配零次或一次

  • (?<=[<>=])\d+\.?\d* ：第一種選擇
    • (?<=[<>=])\d+\.?\d* ：匹配列表[<>=]中出現的符號之后的數字
  • \d+\.?\d*(?=$) ：第二個選擇匹配行尾的數字

• (.+)? : 第三個捕獲組匹配零次或一次

  • .+ ：匹配任何字符一次或多次。

See the online regex demo