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。
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
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;$", item):
# as u specified it needs to be ignored
print(item)
else:
# now u can split into two parts - i am splitting in three but u can do use them however u like
splited_match_obj = re.search("(?P<Data>.+)(?P<Value>OPR|GDP)(?P<Code>.+)", item)
print(splited_match_obj["Data"], splited_match_obj["Value"], splited_match_obj["Code"] )
让我们说这是你的数据帧,
Data Temp
0 12 364 OPR 4 67474 33
1 893 73 GDP hdj 747 34
2 hr 777 hr9 GDP 30
3 463 7g 448 OPR 28
您可以根据条件将提取与多个捕获组一起使用
df1[['Data', 'Code']] = df.loc[~df['Data'].str.endswith(('OPR','GDP')), 'Data'].str.extract('(.*)([A-Z]{3} .*)')
df2[['Data', 'Code']] = df.loc[df['Data'].str.endswith(('OPR','GDP')), 'Data'].str.extract('(.*[OPR|GDP]$)(.*)')
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