Question

我正在尝试提取文本中嵌入的6位数字。数字始终以零开头，总是6位数字，以第4位后的句点分隔，如下所示：

0 0133.02[text] in location [texttext](text) numbers 1 0121.08[text] in location [texttext](text) numbers ...

我运行以下内容：

import re filtered = re.findall("0\d\d\d[.]\d\d", str(df['col']))

要解析478行，每行包含所述数字。但是，filtered结果只输出60，即使我更改了正则表达式格式。有趣的是，filtered似乎主要由478行的第一行和最后几行的数字组成，但不是来自中间？

编辑：我提取了那些工作与不工作的行，并发现那些工作的行是第一个＆amp;最后30行（0-29,448-477）。

以下是不起作用的行的示例（446,447）： 446 0005.00 [CT] in Vancouver [CMA] (B.C.) 44160 447 0170.05 [CT] in Vancouver [CMA] (B.C.) 44006

可行的行样本（448,449）： 448 0050.04 [CT] in Vancouver [CMA] (B.C.) 43995 449 0067.01 [CT] in Vancouver [CMA] (B.C.) 43989

Answer 1

这些是帮助您解决此问题的一些方法。我会删除它，因为它不是答案。

import re
import pandas as pd

data = dict(col=['texttexttext 0036.01 texttext','texttexttext 0006.21 texttext'])
df = pd.DataFrame(data)

re.findall("0\d{3}\.\d{2}", str(df['col'])) #Simplified your regex

有效创建：

['0036.01', '0006.21']

尝试这个怎么样：

re.findall("0\d{3}\.\d{2}",' '.join(df['col'].tolist()))

如果中间行不起作用，请提取样本，例如，并与我们分享：

print('\n'.join(df['col'][200:220].tolist()))

正则表达式找到数字

1 个答案: