pandas文本处理双雄extract + extractall
Posted 尤尔小屋的猫
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了pandas文本处理双雄extract + extractall相关的知识,希望对你有一定的参考价值。
公众号:尤而小屋
作者:Peter
编辑:Peter
大家好,我是Peter~
今天给大家介绍两个Pandas中处理文本数据的函数,主要功能是从文本内容中提取想要的信息:extract + extractall
extract函数
语法说明
extract函数的具体使用形式如下,只有3个参数:
Series.str.extract(pat, flags=0, expand=None)
参数的具体解释为:
- pat:字符串或者正则表达式
- flags:整型
- expand:布尔值,是否返回DataFrame;T-是,F-否
模拟数据
我们看看一个官网提供的简单案例,下面是模拟的数据Series:
匹配1
在下面的例子中,匹配了两组模式的数据;一对()
表示匹配一组:
- [ab]:表示从ab字母中任意匹配一个
- \\d:表示匹配一个数字
通过结果,我们可以发现2点:
- 当匹配多组规则的时候,如果没有匹配成功,则用NaN来代替
- 当第一组模式没有匹配成功的时候,第二组匹配无效
关于第2点:在c3
中虽然后面的\\d
匹配到了数字,但是前面的[ab]
是没有匹配成功的,c
不满足ab中的任意一个,所以最终整体还是NaN
匹配2
下面的匹配和上面的区别在于多个了问号?
,结果却不同
在进行正则匹配的时候,问号?
表示匹配前面元素的1个或者0个。所以在c3
中,[ab]
可以说是匹配到了0个,用NaN代替,也是匹配成功
匹配3
在匹配的时候指定列名,生成最终的DataFrame:
列名的指定使用?P<column>
参数expand使用
关于参数expand的使用:
- expand = True:返回的是DataFrame
- expand = False:返回的是Series或者Index
通过下面两个例子的比较,我们就能够观察到expand的作用:
extractall函数
语法说明
extract只返回第一个匹配到的字符;extractall将匹配所有返回的字符
Series.str.extractall(pat, flags=0)
参数的具体解释为:
- pat:字符串或者正则表达式
- flags:整型
返回值一定是一个DataFrame数据框
模拟数据
下面是模拟了一份新的数据:
下面通过3个例子来对比两个函数的区别:
对比1
单组模式下的匹配
对比2
多组模式下的匹配:
对比3
多组模式下的匹配,且加上列名:
实战案例
下面通过一个实际的案例来讲解如何使用extract函数:
模拟数据
name字段中其实是同时包含了姓名和性别两个信息,address字段中同时包含了省份和城市:
df = pd.DataFrame(
"name":["Tom-male","Peter male","Jimmy-female","Mike male","John-female"],
"address":["广东省深圳市","广东省广州市","浙江省杭州市","江苏省南京市","湖南省长沙市"]
)
df
提取省份
快速提取地址address中的省份信息,其中.*?
表示匹配任意内容
提取省份+城市
同时提取省份+城市,还可以指定列名信息:
提取名字+性别
从字段name中将姓名和性别同时提取出来,\\w
表示匹配一个字母,+
表示匹配多个字符
正则匹配小知识
在这里简单介绍一点关于正则匹配的小知识,下面内容来自谷歌分析:
通配符
. | 匹配任何单个字符(字母、数字或符号) | 1. 可以匹配 10、1A 1.1 可以匹配 111、1A1 |
---|---|---|
? | 匹配前面的字符 0 次或 1 次 | 10? 可以匹配 1、10 |
+ | 匹配前面的字符 1 次或多次 | 10+ 可以匹配 10、100 |
* | 匹配前面的字符 0 次或多次 | 1* 可以匹配 1、10 |
| | 创建 OR(或)匹配 请勿在表达式末尾使用 | 1|10 可以匹配 1、10 |
定位符
^ | 匹配位于字符串开头的相邻字符 | ^10 可以匹配 10、100、10x ;无法匹配 110、110x |
---|---|---|
$ | 匹配位于字符串结尾的相邻字符 | 10$ 可以匹配 110、1010 ;无法匹配 100、10x |
问号 (?)
问号 (?) 匹配前面的字符 0 次或 1 次。例如,10? 可以匹配:
- 1 : 问号前面的0匹配了0次
- 10 : 问号前面的0匹配了1次
加号 (+)
加号 (+) 匹配前面的字符 1 次或多次。例如,10+ 可以匹配:
- 10 : 0匹配一次
- 100 : 0匹配两次
- 1000 : 0匹配三次
星号 (*)
星号 (*) 匹配前面的字符 0 次或多次。例如,10* 可以匹配:
- 1 :前面的0匹配0次
- 10 : 匹配1次
- 100
- 1000
后面写一篇详细的基于Python中的re模块的正则匹配文章,下期见~
以上是关于pandas文本处理双雄extract + extractall的主要内容,如果未能解决你的问题,请参考以下文章
Pandas str.extract:AttributeError:'str'对象没有属性'str'
str.extract 在 pandas DataFrame 中从后面开始