Question

我有这个暗网数据，数据如下：原始列包含一行中的多个国家。

df = pd.DataFrame({'Item': ['Weapons', 'Drugs', 'Data'], 'Origin': ['US UK AUS', 'US', 'Canada']})

我正在尝试将第一行转换为多行。在这种情况下，三个！

df = pd.DataFrame({'Item': ['Weapons', 'Weapons', 'Weapons','Drugs', 'Data'], 'Origin': ['US', 'UK', 'AUS', 'US', 'Canada']})

我可以使用一个简单的代码吗？

如果不是这样，我怎么能让它成为可能？

Answer 1

选项1
str.extractall -

(df.set_index('Item').Origin
   .str.extractall(r'\b(?P<Origin>\w+)\b')
   .reset_index()
   .drop('match', 1))

      Item  Origin
0  Weapons      US
1  Weapons      UK
2  Weapons     AUS
3    Drugs      US
4     Data  Canada

模式将所有单词提取到一个单独的行中 -

\b           # word boundary
(?P<Origin>  # named capture group called "Origin"
\w+          # any string of letters/digits (you can change this to [^\s]+ instead to match punctuation
)            # closing 1st capture group
\b           # word boundary

请注意，您可以通过移除drop来电并将其替换为del电话来提高性能 -

i = (df.set_index('Item').Origin
       .str.extractall(r'\b(?P<Origin>\w+)\b')
       .reset_index())

del i['match']

选项2
str.split + stack -

(df.set_index('Item').Origin
  .str.split(expand=True)
  .stack()
  .reset_index(level=0, name='Origin'))

      Item  Origin
0  Weapons      US
1  Weapons      UK
2  Weapons     AUS
0    Drugs      US
0     Data  Canada

<强>性能

df = pd.concat([df] * 10000, ignore_index=True)

%%timeit 
(df.set_index('Item').Origin
   .str.extractall(r'\b(?P<Origin>\w+)\b')
   .reset_index()
   .drop('match', 1))

1 loop, best of 3: 226 ms per loop

%%timeit 
(df.set_index('Item').Origin
  .str.split(expand=True)
  .stack()
  .reset_index(level=0, name='Origin'))

10 loops, best of 3: 142 ms per loop

请注意，实际数据的效果可能会因数据的性质等而有所不同。

将一串空格分隔的单词拆分为多行

1 个答案: