Question

我在Pandas数据框中有一个列，其中包含以下值：

111042345--
111042345
110374217dclid=CA-R3K
109202817lciz@MM10082IA

我只需要提取每行中的第一个数字序列-而不是该行中的所有数字。因此输出如下：

我认为实现此目标的最佳方法是将字符串按数字分割并返回，但这会在非数字字符之后给我多余的数字。

Answer 1

将str.extract与正则表达式\d一起使用以提取数字，{,5}表示前5位数字，+表示所有数字：

df['first_5_digits'] = df['Col'].str.extract('(\d{,5})')
df['all_digits'] = df['Col'].str.extract('(\d+)')
print (df)
                       Col first_5_digits all_digits
0              111042345--          11104  111042345
1                111042345          11104  111042345
2    110374217dclid=CA-R3K          11037  110374217
3  109202817lciz@MM10082IA          10920  109202817

也可以像@ Jon Clements指出的那样通过索引提取N个值：

df['first_5_digits'] = df['Col'].str.extract('(\d+)').str[:5]

Answer 2

您可以通过应用itertools.takewhile来解决此问题：

在大熊猫中：

data = """111042345--
111042345
110374217dclid=CA-R3K
109202817lciz@MM10082IA""".split()

import pandas as pd
from itertools import takewhile

df = pd.DataFrame(data)

df["numbers"] = df[0].apply(lambda x:''.join(takewhile(str.isdigit,x)) )
print(df)

输出（熊猫）：

                         0    numbers
0              111042345--  111042345
1                111042345  111042345
2    110374217dclid=CA-R3K  110374217
3  109202817lciz@MM10082IA  109202817

对于普通列表：

data = """111042345--
111042345
110374217dclid=CA-R3K
109202817lciz@MM10082IA""".split()

print(data)

from itertools import takewhile

d = [ ''.join(takewhile(str.isdigit,text)) for text in data]

print(d)

输出（简单列表）：

# splitted data
['111042345--', '111042345', '110374217dclid=CA-R3K', '109202817lciz@MM10082IA']

# itertools.takewhile
['111042345', '111042345', '110374217', '109202817']

边缘情况：

如果您需要负数或小数，则必须用另一个也可以接受符号/小数的（可能是自写的）函数替换str.isdigit：请参见f.e. What's the difference between str.isdigit, isnumeric and isdecimal in python?

由Scott Boston建议，因为效率更高：

df["faster numbers"] = [''.join(takewhile(str.isdigit,i)) for i in df[0]]´

（类似输出-其他列标题）

Answer 3

可以使用正则表达式解决

import re
data = """111042345--
111042345
110374217dclid=CA-R3K
109202817lciz@MM10082IA""".split()
output = "\n".join([re.findall('\d+', str(d))[0] for d in data])
print(output)

输出：

从包含数字，非数字然后是数字的字符串中提取第一个数字序列

3 个答案: