使用regex获取DataFrame列中子字符串的位置

Question

我想使用正则表达式将字符串分解为Pandas DataFrame列。

示例csv数据[已更新]：

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;...

期望的情况：[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       | ...

正则表达式：

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

如果OPR或GDP不在字符串的末尾，我只需要拆分。我正在寻找一种基于匹配位置进行分割的方法。像：match.start()） 我尝试了类似的东西：df['data'].str.contains(code, regex=True)和df['data'] = df['data'].str.extract(code, expand=True)和str.find似乎只使用字符串而不是re.Pattern。我做不到。

我对熊猫很新，所以请耐心等待。

Answer 1

我是python的新手，所以如果这不是一个好方法，有人可能会发表评论。我的想法是接受输入并逐行处理。删除后面的半冒号，因为你没有在输出中。然后使用正则表达式将行除以空格字符串，只要它后跟OPR或GDP并且不在行的末尾。如果这只给出列表中的一个项目，则在列表中附加NaN以填充第二列。然后我打印了格式。

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))

OUTPUT

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

根据问题编辑和评论进行了更新

根据您对问题和评论的更新，您可以尝试以下内容。我建议你测试一下，检查是否有任何边缘情况，或者在执行更新之前添加验证或条件检查。

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)

OUTPUT

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

所以首先你要检查数据最后是否有GDP或OPR。如果没有，那么你可以使用分组正则表达式来获得所需的项目。这里圆括号（）中的东西代表一个组。我用语法命名它们？P是optinal。

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

让我们说这是你的数据帧，

    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

您可以根据条件将提取与多个捕获组一起使用

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