Question

我有一个Pandas系列，可以通过以下代码生成：

输入：

l = ['abcd 1942 Lmauu 40% 70cl',
    'something again something   1.5 L',
    'some other stuff 45% 70 CL',
    'not the exact data      3LTR',
    'abcd 100Ltud 6%(8)500ML',
    'cdef  6%(8)500 ml',
    'a packet 24 x 27.5 cl (  PET )']
ser = pd.Series(l)

问题说明和预期输出：

我正在尝试从系列中提取卷并将其转换为数据框，以使该卷位于数据框的一列中，而度量单位位于另一列中，可以使用以下代码重现预期的输出：

d = {0: {0: '70',
     1: '1.5',
     2: '70',
     3: '3',
     4: '500',
     5: '500',
     6: '27.5'},
     1: {0: 'cl', 1: 'L', 2: 'CL', 3: 'LTR', 4: 'ML', 5: 'ml', 6: 'cl'}}
expected_output = pd.DataFrame(d)

      0    1
0    70   cl
1   1.5    L
2    70   CL
3     3  LTR
4   500   ML
5   500   ml
6  27.5   cl

我的尝试代码

这是我尝试过的，我已经很接近我想要的了，但是不太接近，如果您看到我没有得到最后一卷。我想是因为我在正则表达式中包含了$，但是如果没有它，我将无法解析该卷，例如abcd 1942 Lmauu 40% 70cl，1942 L将会被返回。另外，我只希望第二列中的度量单位而不是输出中所示的第一列，而是第二列。

print(ser.str.extract(r'((?i)([\d]+?[.])?\d+?[\s+]?(cl$|ml$|ltr$|L$)(?:$))').iloc[:,[0,-1]]) 

        0    2
0    70cl   cl
1   1.5 L    L
2   70 CL   CL
3    3LTR  LTR
4   500ML   ML
5  500 ml   ml
6     NaN  NaN

请在这里建议我该怎么做。

Answer 1

您可以使用

r'(?i)\b(\d+(?:\.\d+)?)\s*(cl|ml|ltr|L)\b'

请参见regex demo。

详细信息

(?i)-启用不区分大小写的模式
\b-单词边界
(\d+(?:\.\d+)?)-捕获组1：一个或多个数字，后跟一个可选的点和一个或多个数字序列
\s*-超过0个空格
(cl|ml|ltr|L)-cl，ml，ltr或L（注意区分大小写的匹配）
\b-单词边界

测试：

>>> ser.str.extract(r'(?i)\b(\d+(?:\.\d+)?)\s*(cl|ml|ltr|L)\b', expand=True)
      0    1
0  70    cl 
1  1.5   L  
2  70    CL 
3  3     LTR
4  500   ML 
5  500   ml 
6  27.5  cl

Answer 2

最好使用已命名捕获组，以便获得结果列具有有意义的名称。

我还简化了您的正则表达式，并将度量单位更改为小写。

因此将代码更改为：

res = ser.str.extract(r'(?i)(?P<Amount>\d+(?:\.\d+)?)\s?(?P<Unit>[CM]?L|LTR)\b')
res.Unit = res.Unit.str.lower()

结果是：

  Amount Unit
0     70   cl
1    1.5    l
2     70   cl
3      3  ltr
4    500   ml
5    500   ml
6   27.5   cl

还请注意，（cl $ | ml $ | ltr $ | L $）中的$是错误的，因为至少在在一种情况下，在计量单位之后还有其他文字。

从熊猫系列中提取体积信息-熊猫，正则表达式

2 个答案: