如何在Pandas / Python中识别与特定动态值相关的文本

Question

我的数据框中有以下两列：

COL1    COL2

 12    :402:agshhhjd:45:hghghgruru:12:fghg,hgh:22:hhhh
 57    :42:ags,hhhjd:57:hghg,hgruru:120:fghgh,gh:12:hhhhhh

我需要创建另一个列COL3，如下所示：

  COL1  COL2                                                    COL3

   12   :402:agshhhjd:45:hghghgruru,:12:fghg,hgh:22:hhhh       fghg,hg
   57   :42:agshhhjd:57:hghg,hgruru:120:fghghgh:12:hhhhhh      hghg,hg

需要以这样的方式创建新列COL 3：它在COL2中搜索COL1的值为同一行，然后打印除“：”之外的7个字符。我尝试做的是使用切片，但它无法正常工作。有人可以帮助。

Answer 1

您可以使用属性replace，但首先您必须更改第1列的数据类型。我们需要替换COL2中的所有内容，在COL1中的数字后保存字词，即：

.*12:(\w{7}).*所以我们只捕获七个字母并通过后面的引用来调用它们，即值= \ 1。我们也在第二行做同样的事情。这可以很容易地完成，因为replace是矢量化的。虽然这会很慢

df['COL3'] = df.COL2.replace(regex=r'.*'+ df.COL1.astype('str') +':(\\w{7}).*',value="\\1")

df 
   COL1                                               COL2     COL3
0    12  :402:agshhhjd,:45:hghghgruru,:12:fghghgh,:22:hhhh  fghghgh
1    57  :42:agshhhjd,:57:hghghgruru,:120:fghghgh,:12:h...  hghghgr

你也可以这样做：

import re
[re.sub(".*"+str(i)+":(\\w{7}).*","\\1",j) for i,j in zip(df.COL1,df.COL2)]

EDIT

通过您的更新，您可以：

  df.assign(COL3 = df.COL2.replace(regex=r'.*'+ df.COL1.astype('str')+':(.{7}).*',value="\\1"))
Out[102]: 
   COL1                                               COL2     COL3
0    12  :402:agshhhjd,:45:hghghgruru,:12:fghg,hgh,:22:...  fghg,hg
1    57  :42:ags,hhhjd,:57:hghg,hgruru,:120:fghgh,gh,:1...  hghg,hg

Answer 2

使用列表理解和re.findall：

import re

df['COL3'] = [
    re.findall('{}\:([a-z]{{7}})'.format(i), j) for i, j in zip(df.COL1, df.COL2)
]

   COL1                                               COL2       COL3
0    12  :402:agshhhjd,:45:hghghgruru,:12:fghghgh,:22:hhhh  [fghghgh]
1    57  :42:agshhhjd,:57:hghghgruru,:120:fghghgh,:12:h...  [hghghgr]

您也可以使用列表推导和split，但如果在COL2中找不到第一个值，则会抛出错误：

[j.split('{}:'.format(i))[1][:7] for i, j in zip(df.COL1, df.COL2)]
# ['fghghgh', 'hghghgr']

如果您可以保证在COL2中找到该值，那么使用split会更快：

df = pd.concat([df]*10000)

%timeit [re.findall('{}\:([a-z]{{7}})'.format(i), j) for i, j in zip(df.COL1, df.COL2)]
28.3 ms ± 1.34 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

%timeit [j.split('{}:'.format(i))[1][:7] for i, j in zip(df.COL1, df.COL2)]
12 ms ± 45.5 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

Answer 3

这个：

test = pd.DataFrame({'Col1': [12, 57], 'Col2': [':402:agshhhjd,:45:hghghgruru,:12:fghghgh,:22:hhhh', ':42:agshhhjd,:57:hghghgruru,:120:fghghgh,:12:hhhhhh']})

test


    Col1    Col2
0   12      :402:agshhhjd,:45:hghghgruru,:12:fghghgh,:22:hhhh
1   57      :42:agshhhjd,:57:hghghgruru,:120:fghghgh,:12:h...

def my_val(col1num, col2text):

    # Split columns by ':'
    col2_ls = col2text.split(':')[1:]

    # Create an empty dict to store key-value pairs
    my_dict = {}

    # Create your key-value pairs and update dict
    for i, j in zip(range(0, len(col2_ls), 2), range(1, len(col2_ls)+1, 2)):
        my_dict[col2_ls[i]] = col2_ls[j]

    # If the key exists return the value
    if str(col1num) in my_dict.keys():
        val = my_dict[str(col1num)]
        return val
    else:
        return 'Unavailable'

test['Col3'] = test.apply(lambda x: my_val(col1num=x['Col1'], col2text=x['Col2']), axis=1)

test

    Col1    Col2                                                Col3
0   12      :402:agshhhjd,:45:hghghgruru,:12:fghghgh,:22:hhhh   fghghgh,
1   57      :42:agshhhjd,:57:hghghgruru,:120:fghghgh,:12:h...   hghghgruru,

希望这可以帮助