Question

我正在尝试从csv文件中清除一些数据。我需要确保“持续时间”中的任何内容。类别匹配某种格式。这就是我的方式：

import re
import pandas as pd

data_path = './ufos.csv'
ufos = pd.read_csv(data_path)

valid_duration = re.compile('^[0-9]+ (seconds|minutes|hours|days)$')
ufos_clean = ufos[valid_duration.match(ufos.Duration)]

ufos_clean.head()

这给了我以下错误：

TypeErrorTraceback (most recent call last)
<ipython-input-4-5ebeaec39a83> in <module>()
      6 
      7 valid_duration = re.compile('^[0-9]+ (seconds|minutes|hours|days)$')
----> 8 ufos_clean = ufos[valid_duration.match(ufos.Duration)]
      9 
     10 ufos_clean.head()

TypeError: expected string or buffer

我使用类似的方法在没有正则表达式之前清理数据。我做错了什么？

编辑：

MaxU让我最接近，但最终工作的是：

valid_duration_RE = '^[0-9]+ (seconds|minutes|hours|days)$'
ufos_clean = ufos
ufos_clean = ufos_clean[ufos.Duration.str.contains(valid_duration_RE)]

那里可能有很多冗余，我对python很新，但它确实有效。

Answer 1

您可以使用矢量化.str.match()方法：

valid_duration_RE = '^[0-9]+ (seconds|minutes|hours|days)$'
ufos_clean = ufos[ufos.Duration.str.contains(valid_duration_RE)]

Answer 2

我猜你想要反过来（未经测试）：

import re
import pandas as pd

data_path = './ufos.csv'
ufos = pd.read_csv(data_path)

def cleanit(val):
    # your regex solution here
    pass

ufos['ufos_clean'] = ufos['Duration'].apply(cleanit)

毕竟，ufos是DataFrame。

＆＃39;期望的字符串或缓冲区＆＃39;当与pandas使用re.match时

2 个答案: