Question

所以我有一个从html网页获取的Pandas数据框。数据框只有1列，并且该列没有标识名。我想从数据框中找到一个特定的子字符串，然后立即获取该子字符串后面的文本。

注意：子字符串搜索中绝不会重复。
例如：永远不会有2个School 2实例：

数据框的格式如下：

School 1: 1 Hour Delay
School 2: 2 Hour Delay
School 3: Closed

我希望能够搜索School 3：然后返回状态，无论是关闭，延迟1小时还是2小时。

我最初的想法只是if "School 3:" in df print("School 3: found") 但是我只是从中得到一个错误，我想是因为您不能仅仅检查这样的字符串。如果有人知道如何查找子字符串，然后在我希望知道的文本之后获得文本。

Answer 1

假设一个行总是完全符合此条件，则可以使用str.extract：

df.iloc[:,0].str.extract('(?<=School 3: )(.*)', expand=False).dropna().values[0]
# 'Closed'

（注意：如果有多个行符合此条件，则仅返回第一个匹配项的状态。）

否则，如果可能没有匹配项，则需要一个try-except：

try:
    status = (df.iloc[:,0]
                .str.extract('(?<=School 3: )(.*)', expand=False)
                .dropna()
                .values[0])    
except (IndexError, ValueError):
    status = np.nan

Answer 2

假设数据框看起来像

                   status
0  School 1: 1 Hour Delay
1  School 2: 2 Hour Delay
2        School 3: Closed

您可以做到

txt = 'School 3'
df.status[df.status.str.contains(txt)].str[len(txt) + 2:]   # +2 for skipping ": " after the school name

结果：

2    Closed
Name: status, dtype: object

但是，通过将包含两个信息的单列一分为二，IMO将更加清晰：

df = df.status.str.split(': ', expand=True)
df.columns = ['school', 'status']

#     school        status
#0  School 1  1 Hour Delay
#1  School 2  2 Hour Delay
#2  School 3        Closed

然后，您可以通过第一列的布尔索引简单地检索第二列的内容：

txt = 'School 3'
df.status[df.school==txt]

#2    Closed
#Name: status, dtype: object

如何在Pandas DataFrame中找到特定的子字符串，然后获取其后的文本？

2 个答案: