Question

这是我的previous post的继续，是使用正则表达式将包含地址的熊猫系列划分为三个离散字段（街道，数字，和框）。

我的最初示例如下：

import pandas as pd
import numpy as np

df = pd.DataFrame({'cus_name' : ['James', 'Mary', 'David', 'Linda', 'George', 'Jennifer', 'John', 'Maria', 'Charles', 'Helen'],
                   'address' : ['Main St 59', 'Yellow Av 11 b.F1', 'Terrazzo Way 100-102', np.nan, 'Hamilton St 159 b.A/B', np.nan, 'Henry St 7 D', 'Mc-Kenzie Av 40P b.1', 'Neptune Av 14 15 b.G', np.nan ], 
                   'postal_code' : [1410, 1210, 1020, np.nan, 1310, np.nan, 1080, 1190, 1040, np.nan], 
                  })

print(df)

   cus_name                address  postal_code
0     James             Main St 59       1410.0
1      Mary      Yellow Av 11 b.F1       1210.0
2     David   Terrazzo Way 100-102       1020.0
3     Linda                    NaN          NaN
4    George  Hamilton St 159 b.A/B       1310.0
5  Jennifer                    NaN          NaN
6      John           Henry St 7 D       1080.0
7     Maria   Mc-Kenzie Av 40P b.1       1190.0
8   Charles   Neptune Av 14 15 b.G       1040.0
9     Helen                    NaN          NaN

使用 RomanPerekhrest 提供的解决方案中的正则表达式模式，address系列很好地分为3个所需字段。

pattern = pattern ='(\D+)\s+(\d+[\s-]?(?!b)\w*)(?:\s+b\.)?(\S+)?'
print(df['address'].str.extract(pattern, expand = True))

              0        1    2
0       Main St       59  NaN
1     Yellow Av       11   F1
2  Terrazzo Way  100-102  NaN
3           NaN      NaN  NaN
4   Hamilton St      159  A/B
5           NaN      NaN  NaN
6      Henry St      7 D  NaN
7  Mc-Kenzie Av      40P    1
8    Neptune Av    14 15    G
9           NaN      NaN  NaN

不幸的是，在上一篇文章中，我没有说明地址仅包含街道信息（例如Place de la Monnaie）的情况。

在这种情况下，上面的正则表达式模式不再起作用。请参见this regex101链接。

我尝试将正则表达式模式修改半小时以解决此问题，但没有成功。我注意到的是，即使数字字段可以包含文字字符，但在不丢失时，它始终以数字开头。

任何其他帮助将不胜感激。

Answer 1

此模式可以帮助：

(\D+)\s((\d+[\s-]?(?!b)\w*)(?:\s+b\.)?(\S+)?)*

RegEx将地址分为三个不同的系列[第2部分]

1 个答案: