Python使用正则表达式在pandas列中提取字符串的一部分

Question

我有一个名为'Raw'的pandas df列格式不一致。它包含的字符串如下所示：

'(1T XXX, Europe)'
'(2T YYYY, Latin America)'
'(3T ZZ/ZZZZ, Europe)'
'(4T XXX XXX, Africa)'

'Raw'中字符串中唯一一致的是它们以数字开头，中间包含逗号后跟空格，并且它们也包含括号。

现在，我想在我的数据框中创建两个额外的列（模型和区域）：

• 'Model'将包含字符串的开头，即第一个括号和逗号之间的所有内容
• 'Region'将包含字符串的结尾，即逗号后的空格和最后一个括号之间的所有内容

如何使用正则表达式执行此操作？

Answer 1

由于只有一个逗号，并且所有内容都在括号之间，在您的情况下，请在切片后使用.str.split()代替：

model_region = df.Raw.str[1:-1].str.split(', ', expand = True)

但如果你坚持：

model_region = df.Raw.str.extract('\((.*), (.*)\)', expand = True)

然后

df['Model'] = model_region[0]
df['Region'] = model_region[1]

Answer 2

试试这个：\(([^,]*), ([^)]*)\)

请参阅：https://regex101.com/r/fCetWg/1

Answer 3

maxdiff

Answer 4

Model=re.findall(r"(?<=\().+(?=\,)",s)
Region=re.findall(r"(?<=\, ).+(?=\))",s)

第一个正则表达式检查开括号＆＃34;（＆＃34;在模型前面和关闭＆​​＃34;，＆＃34;。第二个正则表达式检查＆＃34;＆之间的任何字符串;＆ ＃34;和＆＃34;）＆＃34;。

Answer 5

string_list = ['(1T XXX, Europe)',
'(2T YYYY, Latin America)',
'(3T ZZ/ZZZZ, Europe)',
'(4T XXX XXX, Africa)']
df = pd.DataFrame(string_list)
df = df[0].str.extract("\(([^,]*), ([^)]*)\)", expand=False)

Answer 6

如果逗号是字符串部分的可靠分隔符，则不需要regexp。如果df是您的数据帧：

df['Model'] = [x.split(',')[0].replace('(', '') for x in df['Raw']]
df['Region'] = [x.split(',')[1].replace(')', '') for x in df['Raw']]

如果你想使用regexp，那就像是：

s = '(1T XXX, Europe)'
m = re.match('\(([\w\s]+),([\w\s]+)\)', s)
model = m.group(1)
region = m.group(2)

Answer 7

您可以简单地尝试以下：

示例数据帧：

df
                        raw
0          (1T XXX, Europe)
1  (2T YYYY, Latin America)
2      (3T ZZ/ZZZZ, Europe)
3      (4T XXX XXX, Africa)

解决方案 1：

将 str.extract 与 regex 一起使用。

df = df.raw.str.extract(r'\((.*), (.*)\)').rename(columns={0:'Model', 1:'Region'})
print(df)
        Model         Region
0      1T XXX         Europe
1     2T YYYY  Latin America
2  3T ZZ/ZZZZ         Europe
3  4T XXX XXX         Africa

解决方案 2：

str.replace() + str.split() 和 rename。

df = df.raw.str.replace('[(|)]' , '').str.split(',', expand=True).rename(columns={0:'Model', 1:'Region'})
print(df)
        Model          Region
0      1T XXX          Europe
1     2T YYYY   Latin America
2  3T ZZ/ZZZZ          Europe
3  4T XXX XXX          Africa

注意：

但是，如果您还想保留原始列，则可以选择以下方法：

df[['Model', 'Region' ]] = df.raw.str.replace('[(|)]' , '').str.split(',', expand=True)

print(df)
                        raw       Model          Region
0          (1T XXX, Europe)      1T XXX          Europe
1  (2T YYYY, Latin America)     2T YYYY   Latin America
2      (3T ZZ/ZZZZ, Europe)  3T ZZ/ZZZZ          Europe
3      (4T XXX XXX, Africa)  4T XXX XXX          Africa

或

df[['Model', 'Region' ]] = df.raw.str.extract(r'\((.*), (.*)\)')
print(df)
                        raw       Model         Region
0          (1T XXX, Europe)      1T XXX         Europe
1  (2T YYYY, Latin America)     2T YYYY  Latin America
2      (3T ZZ/ZZZZ, Europe)  3T ZZ/ZZZZ         Europe
3      (4T XXX XXX, Africa)  4T XXX XXX         Africa