Question

我的数据集中有一列具有以下格式：

'XX4H30M'

我需要将这些序列中的数字提取到两列（＆＃39; H＆＃39;和＆＃39; M）。

如果格式完全如上所述，则以下内容符合我的要求：

d3 = df.colname.str.extract('([0-9])([0-9])', expand=True)
d3.columns = ['H', 'M']
df = pd.concat([df, d3])

但是，本系列中的大量单元格只包含

'XX45M'

或XX3H

有没有办法可选地提取这些模式以将它们插入到全局df中？

对于一组具体的例子：

df = pd.DataFrame({'A': ['XX1H30M', 'XX45M', 'XX2H'])

最终会成为

Out: 
A  H  M
0  XX1H30M  1  30
1  XX45M  0  45
2  XX2H  2  0

Answer 1

您可以尝试这样的事情：

df.assign(H=df.A.str.extract('([\d]+)H', expand=False),
          M=df.A.str.extract('([\d]+)M', expand=False)).fillna(0)

输出：

         A  H   M
0  XX1H30M  1  30
1    XX45M  0  45
2     XX2H  2   0

Answer 2

在一个步骤中提取H和M的另一个选项，此处使用(?:(?P<H>\d+)H)?(?:(?P<M>\d+)M)?来捕获H和M作为命名组;为了避免由于两个组都是可选的而匹配空字符串，请在模式的开头添加一个前瞻断言(?=\d+H|\d+M)：

df = pd.DataFrame({'A': ['XXX1H30M', 'XXX45M', 'XXX2H', 'XXX']}) 

df.A.str.extract(r'(?=\d+H|\d+M)(?:(?P<H>\d+)H)?(?:(?P<M>\d+)M)?', expand=True).fillna(0)

#   H    M
#0  1   30
#1  0   45
#2  2    0
#3  0    0

与单独提取相比，这有点快：

df = pd.concat([df] * 10000)

%timeit pd.concat([df, df.A.str.extract(r'(?=\d+H|\d+M)(?:(?P<H>\d+)H)?(?:(?P<M>\d+)M)?', expand=False).fillna(0)], axis=1)
#10 loops, best of 3: 83.9 ms per loop    

%timeit df.assign(H=df.A.str.extract('([\d]+)H', expand=False), M=df.A.str.extract('([\d]+)M', expand=False)).fillna(0)
#10 loops, best of 3: 130 ms per loop

熊猫可选提取物

2 个答案: