Question

我有以下代码片段：

    import pandas as pd

    df = pd.DataFrame([{'LastName':'VAN HOUTEN'},
                       {'LastName':"O'BOYLE"},
                       {'LastName':'ESTEVAN-GONZALEZ'},
                       {'LastName':'RODRIGO TEIXEIRA'},
                       {'LastName':'ESTEBAN GONZALEZ'}, 
                       {'LastName':'O ROURKE'},
                       {'LastName':'RODRIGO-TEIXEIRA'}])

    delete_space_after_list = ['VAN','O']

    df['NewName'] = df['LastName'].str.replace("'"," ")

    for s in delete_space_after_list[:]:
        df['NewName'] = df['NewName'].str.replace(s + ' ', s)

    df['NewName'] = df['NewName'].str.replace('-'," ")
    df['NewName'] = df['NewName'].str.split().str.get(0)

运行此代码会给我以下结果：

    Index        LastName               NewName
    0            VAN HOUTEN             VANHOUTEN
    1            O'BOYLE                OBOYLE
    2            ESTEVAN-GONZALEZ       ESTEVAN
    3            RODRIGO TEIXEIRA       RODRIGOTEIXEIRA
    4            ESTEVAN GONZALEZ       ESTEVANGONZALEZ
    5            O ROURKE               OROURKE
    6            RODRIGO-TEIXEIRA       RODRIGO

然而，所需的输出是

    Index        LastName               DesiredName
    0            VAN HOUTEN             VANHOUTEN
    1            O'BOYLE                OBOYLE
    2            ESTEVAN-GONZALEZ       ESTEVAN
    3            RODRIGO TEIXEIRA       RODRIGO
    4            ESTEVAN GONZALEZ       ESTEVAN
    5            O ROURKE               OROURKE
    6            RODRIGO-TEIXEIRA       RODRIGO

它消除了RODRIGO之后的空间（因为LastName末尾的'O'）并将其与'TEIXEIRA'连接，同样消除了ESTEVAN之后的空格（因为'{末尾的'VAN'） 1}}）并将其与'GONZALEZ'连接起来。但是，它正确地消除了其他名称中的空间。

如何让这段代码正确删除空格，就像它对VAN HOUTEN，O'BOYLE，ESTEVAN-GONZALEZ，O ROURKE和＆amp; RODRIGO-TEIXEIRA在ESTEVAN GONZALEZ＆amp;之后没有删除空白区域。 RODRIGO TEIXEIRA？

Answer 1

所以你想删除不那么重要的＆＃34; name，由名称以O或VAN结尾但 O或VAN的名称后面的名称定义，并删除其他名字的非字母。

这是正则表达式的工作（或没有它们的漫长而痛苦的工作）

我会通过链接这样的2个正则表达式来做到这一点（因为问题与pandas没有直接关系，所以我放弃了pandas）：

data = [{'LastName':'VAN HOUTEN'},
                       {'LastName':"O'BOYLE"},
                       {'LastName':'ESTEVAN-GONZALEZ'},
                       {'LastName':'RODRIGO TEIXEIRA'},
                       {'LastName':'ESTEVAN GONZALEZ'}, # not ESTEBAN as in your example!
                       {'LastName':'O ROURKE'},
                       {'LastName':'RODRIGO-TEIXEIRA'}]

import re

new_data = [re.sub("\W","",re.sub("(.)(O|VAN)\W.*",r"\1\2",v['LastName'])) for v in data]

print(new_data)

结果：

['VANHOUTEN', 'OBOYLE', 'ESTEVAN', 'RODRIGO', 'ESTEVAN', 'OROURKE', 'RODRIGO']

这样：

"(.)(O|VAN)\W.*"匹配至少一个字符，后跟O和VAN前缀，后跟非字母（\W），其余的，我们跳过（我们只保留了2个第一组）：处理不太重要的名称＆＃34;
"\W"删除空格，短划线，引号...所有非字母数字。比处理第二种情况。

Answer 2

大熊猫解决方案，正则表达不像让 - 弗朗索瓦法布尔那样干净，但它有效。

In [541]: import operator

In [542]:  df['LastName'].transform(lambda x: x.replace("[-']", ' ', regex=True) \
     ...:                                     .replace(r'^((?:O)|(?:VAN)) ', r'\1', regex=True) \
     ...:                                     .str.split()) \
     ...:                .map(operator.itemgetter(0))
     ...: 
Out[546]: 
0    VANHOUTEN
1       OBOYLE
2      ESTEVAN
3      RODRIGO
4      ESTEBAN
5      OROURKE
6      RODRIGO
Name: LastName, dtype: object

replace("[-']", ' ', regex=True)将所有连字符和冒号转换为空格。
replace(r'^((?:O)|(?:VAN)) ', r'\1', regex=True)在开始'O'或'VAN'后删除空格。
str.split()分裂空间

在Python中选择性地删除字符串之后的空格

2 个答案: