在pandas中，字符串不指定索引，返回一个数字子串

l3zydbqr 于 12个月前发布在其他

关注(0)|答案(2)|浏览(89)

我有几个字符串的例子，其中我想要提取的文本或数字数据并不总是在同一列或行中，或者实际上在不同字符串的相同顺序中：
df：

{1: {0: 'sample', 1: 2},
 2: {0: 'project: 4568 date: 7 January 2023', 1: 4},
 3: {0: 'substance:water', 1: 6}}

字符串
df2：

{1: {0: 'sample', 1: 2},
 2: {0: 'user ab', 1: 4},
 3: {0: 'project: 4568 date: 7 January 2023', 1: 6},
 4: {0: 'substance:water', 1: 3}}

型
df3：

{1: {0: nan, 1: 'sample', 2: 2},
 2: {0: 'Monday', 1: 'user ab', 2: 4},
 3: {0: nan, 1: 'project: 4568 substance: water date: 7 January 2023', 2: 6},
 4: {0: nan, 1: 'plate 2', 2: 3}}

型
我想把“project：”后面的数值（总是以45开头，并且总是4位数），以及这些字符串中的日期和内容提取到它们自己的变量中。
在项目编号的示例中，可以通过以下方式执行此操作：a=df.iloc[0,1].split(' ')[1]获取项目编号，b=df.iloc[0,2].split(':')[1]获取物质名称，但是当数据位于不同的列和行中时，它将成为一个繁琐的练习，并且需要为每个子帧更改拆分的子帧。
有没有一种方法可以从字符串中提取这些数据（子字符串），而不必指定列和行，以及如何从字符串中提取数字子字符串？

pandas

来源：https://stackoverflow.com/questions/77672415/in-a-pandas-dataframe-return-a-numeric-substring-from-a-string-without-specifyin

2条答案

按热度按时间

xriantvc1#

我会创建一个自定义函数来搜索pd.Series中的字符串值，然后使用正则表达式来找到正确的项。例如：

import re

def find_project_and_date(series):
    for v in series:
        if not isinstance(v, str):
            continue
        project = re.search(r"project:\s*(45\d{2})", v)
        date = re.search(r"date:\s*(.*?\d{4})\b", v)

        if project and date:
            yield project.group(1), date.group(1)

# find first occurrence of `project` and `date`
out = next(m for c in df.columns if (m := next(find_project_and_date(df[c]), None)))
print(out)

字符串
印刷品：

('4568', '7 January 2023')

型

赞(0）回复(0）举报 12个月前

zynd9foi2#

一个选项可能是使用stack进行平坦化，然后依赖project/date来extractall信息（关键字之后的所有内容，直到下一个关键字）并转换to_dict：

out = (df
       .stack()
       .str.extractall(r'\b(project|date): *((?:[^:](?!\w+:))+)')
       .set_index(0)[1].to_dict()
       )

字符串

注意。这是假设每个框架只有一个匹配，如果你可以有几个，很容易处理它们，但你必须澄清如何。

输出量：

{'project': '4568', 'date': '7 January 2023'}

型
regex demo的

赞(0）回复(0）举报 12个月前

我来回答

在pandas中，字符串不指定索引，返回一个数字子串

2条答案

相关问题

热门标签

最新问答