Question

说我有：

s = 'white male, 2 white females'

并希望＆＃34;扩展＆＃34;这个：

'white male, white female, white female'

更完整的案例清单如下：

＆＃39;两名西班牙裔男性，两名西班牙裔女性＆＃39;
- - ＆GT; ＆＃39;西班牙裔男性，西班牙裔男性，西班牙裔女性，西班牙裔女性＆＃39;
＆＃39; 2名黑人男性，白人男性＆＃39;
- - ＆GT; ＆＃39;黑人男性，黑人男性，白人男性＆＃39;

好像我很接近：

import re

# Do I need boundaries here?
mult = re.compile('two|2 (?P<race>[a-z]+) (?P<gender>(?:fe)?male)s')

# This works:
s = 'white male, 2 white females'
mult.sub(r'\g<race> \g<gender>, \g<race> \g<gender>', s)
# 'white male, white female, white female'

# This fails:
s = 'two hispanic males, 2 hispanic females'
mult.sub(r'\g<race> \g<gender>, \g<race> \g<gender>', s)
# ' ,  , hispanic males, hispanic female, hispanic female,'

在第二种情况下是什么造成了绊倒？

奖金问题：是否有大熊猫的方法＆＃39;直接实现此功能的系列而不是使用Series.apply()？很抱歉修改我的问题并浪费任何人在这里的时间。

例如，在：

s = pd.Series(
    ['white male',
     'white male, white female',
     'hispanic male, 2 hispanic females',
     'black male, 2 white females'])

是否有比以下更快的路线：

s.apply(lambda x: mult.sub(..., x))

Answer 1

关于你的＆＃34;奖金＆＃34;问题，您可以使用pandas.Series.str.replace，它是pandas.Series.str methods的一部分，与正则表达式一起使用：

In [10]: import re

In [11]: import pandas as pd

In [12]: s = pd.Series(
    ...:     ['white male',
    ...:      'white male, white female',
    ...:      'hispanic male, 2 hispanic females',
    ...:      'black male, 2 white females'])

In [13]: mult = re.compile('two|2 (?P<race>[a-z]+) (?P<gender>(?:fe)?male)s')
    ...:

In [14]: s.str.replace(mult, r'\g<race> \g<gender>, \g<race> \g<gender>')
Out[14]:
0                                         white male
1                           white male, white female
2    hispanic male, hispanic female, hispanic female
3             black male, white female, white female
dtype: object

这些方法是否明显快于我不知道的.apply。我怀疑你永远不会用object dtypes快速工作。

注意，如果发现this issue这些方法的速度很慢。我想直到他们认为写出一个Cythonized实现是值得的，那么你可能不会有太多希望。

Answer 2

IIUC，如果你想要匹配，你需要在two|2 (two|2)附近放置一下。

import re

mult = re.compile('(two|2) (?P<race>[a-z]+) (?P<gender>(?:fe)?male)s')
s = 'two hispanic males, 2 hispanic females'
mult.sub(r'\g<race> \g<gender>, \g<race> \g<gender>', s)
# 'hispanic male, hispanic male, hispanic female, hispanic female'

Answer 3

关于你的正则表达式本身，我将使用下面的一个更通用和优化的。

In [14]: mult = re.compile('(?:two|2) ([^,]+)')

In [15]: s = 'two hispanic males, 2 hispanic females'

In [16]: mult.sub(lambda x: x.group(1) + ' ' + x.group(1), s)
Out[16]: 'hispanic males hispanic males, hispanic females hispanic females'

但是关于性能以及使用列表理解将正则表达式应用于Pandas Series是最好的方法：

In [29]: s = pd.Series(                                     
    ['white male',
     'white male, white female',
     'hispanic male, 2 hispanic females',
     'black male, 2 white females'])

In [30]: %timeit s.str.replace('(?:two|2) (?P<race>[a-z]+) (?P<gender>(?:fe)?male)s', r'\g<race> \g<gender>, \g<race> \g<gender>')
1000 loops, best of 3: 205 µs per loop

In [31]: %timeit s.apply(lambda x: mult.sub(lambda x: x.group(1) + ' ' + x.group(1), x))
10000 loops, best of 3: 148 µs per loop

In [32]: %timeit [mult.sub(lambda x: x.group(1) + ' ' + x.group(1), i) for i in s]
100000 loops, best of 3: 14.6 µs per loop

大熊猫里的`re.sub（）`

3 个答案: