str.extract() 与正则表达式

Posted 2023-03-12

【中文标题】str.extract() 与正则表达式

【英文标题】：str.extract() with regex

【发布时间】：2022-01-20 12:21:35

【问题描述】：

我需要使用正则表达式和str.extract() 将一列分成两部分（假设这是最好的）

    df = pd.DataFrame(
                        'Product': ['Truly Mix 2/12Pk Cans - 12Z',
                                    'Bud 16Z - LOOSE -  16Z',
                                    'Blue Moon (Case 12x - 22Z)',
                                    '2 for the show (6/4PK - 16Z)']
             )

我想要这个结果：

df_result = pd.DataFrame(
                          'Product': ['Truly Mix', 'Bud', 'Blue Moon', '2 for the show'],
                          'Packaging': ['2/12Pk Cans - 12Z',
                                        '16Z - LOOSE -  16Z',
                                        'Case 12x - 22Z',
                                        '6/4PK - 16Z' ]
                 )

我尝试了很多东西，但仍然在使用正则表达式时遇到了困难，即使经过大量的在线学习。

这是我获得产品的最后尝试：

pattern = r'(\D+)[^\w][^(Case][^0-9]'

df['Product'] = df['Product'].str.extract(pattern)

str.replace() 应该可以很好地摆脱括号，只是不能走那么远。

我只是在 3 小时后还没有关闭。

【参考方案1】：

您可以将每个条目的两个部分提取到两列中，然后在它们所在的字符串的开头/结尾删除( 和)：

import pandas as pd
df = pd.DataFrame('Product': ['Truly Mix 2/12Pk Cans - 12Z','Bud 16Z - LOOSE -  16Z','Blue Moon (Case 12x - 22Z)','2 for the show (6/4PK - 16Z)'])
pattern = r'^(.*?)\s*((?:\((?:Case\b)?|\d+(?:/\d+)?[A-Za-z]+\b).*)'
df[['Product', 'Packaging']] = df['Product'].str.extract(pattern, expand=True)
df['Packaging'] = df['Packaging'].str.replace(r'^\((.*)\)$', r'\1', regex=True)
# => >>> print(df['Packaging'])
#    0     2/12Pk Cans - 12Z
#    1    16Z - LOOSE -  16Z
#    2        Case 12x - 22Z
#    3           6/4PK - 16Z
# => >>> print(df['Product'])
#    0         Truly Mix
#    1               Bud
#    2         Blue Moon
#    3    2 for the show

请参阅regex demo。 正则表达式详细信息：

^ - 字符串开头 (.*?) - 第 1 组：除换行符之外的任何零个或多个字符尽可能少 -\s* - 零个或多个空格 ((?:\((?:Case\b)?|\d+(?:/\d+)?[A-Za-z]+\b).*) - 第 2 组： (?:\((?:Case\b)?|\d+(?:/\d+)?[A-Za-z]+\b) - 任何一个 \((?:Case\b)? - 一个(，然后是一个可选的整个单词Case | - 或 \d+(?:/\d+)?[A-Za-z]+\b - 一个或多个数字，/ 和一个或多个数字的可选序列，以及一个或多个字母（后跟单词边界） .* - 除换行符之外的任何零个或多个字符尽可能多

.replace(r'^\((.*)\)$', r'\1', regex=True) 部分删除了字符串开头和结尾处的( 和)。