使用熊猫数据框的正则表达式
Posted
技术标签:
【中文标题】使用熊猫数据框的正则表达式【英文标题】:regular expression using pandas dataframe 【发布时间】:2020-10-23 06:41:15 【问题描述】:输入 csv 文件:
_id,field_name,field_friendly_name,purpose_of_use,category,data_source,schema,table,attribute_type,sample_values,mask_it,is_included_in_report
5e95a49b0985567430f8fc00,FullName,,,,,,,,,,
5e95a4dd0985567430f9ef16,xyz,,,,,,,,,,
5e95a4dd0985567430f9ef17,FullNm,,,,,,,,,,
5e95a4dd0985567430f9ef18,FirstName,,,,,,,,,,
5e95a49b0985567430f8fc01,abc,,,,,,,,,,
5e95a4dd0985567430f9ef19,FirstNm,,,,,,,,,,
5e95a4dd0985567430f9ef20,LastName,,,,,,,,,,
5e95a4dd0985567430f9ef21,LastNm,,,,,,,,,,
5e95a49b0985567430f8fc02,LegalName,,,,,,,,,,
5e95a4dd0985567430f9ef22,LegalNm,,,,,,,,,,
5e95a4dd0985567430f9ef23,NickName,,,,,,,,,,
5e95a4dd0985567430f9ef24,pqr,,,,,,,,,,
5e95a49b0985567430f8fc03,NickNm,,,,,,,,,,
正则表达式 csv 表:
Personal_Inforamtion,regex,addiitional_grep
Full Name,full|name|nm|txt|dsc,full
First Name,first|name|nm|txt|dsc,first
Last Name,last|name|nm|txt|dsc,last
Legal Name,legal|name|nm|txt|dsc,legal
Nick Name,nick|name|nm|txt|dsc,nick
我的代码
包括 python 模块
import pandas as pd
import re
从 csv 文件定义数据框
df = pd.read_csv("Default-Profile.csv")
用 df 替换系列 field_name 上的下划线 (_) 和连字符 (-)
df.field_name = df.field_name.str.replace("[_-]", "", regex=True)
在 df 中将系列 field_name 上的所有字符更改为小写
df.field_name = df.field_name.str.lower()
定义正则表达式表
regex_table = pd.read_csv("regex.csv")
代码是更新 field_friendly_name && is_included_in_report
在 df.field_name 中为正则表达式表中的每个正则表达式查找模式,如果找到正确匹配,则使用 Personal_information 更新列 field_friendly_name,如果不更新为 not_found,如果找到匹配,如果不是 False,则更新最后一列为 True。
前: 单词应仅由 full|name|nm|txt|dsc 组成,并且应包含 full
Personal_Inforamtion,regex,addiitional_grep
Full Name,full|name|nm|txt|dsc,full
然后更新df如下:
_id,field_name,field_friendly_name,purpose_of_use,category,data_source,schema,table,attribute_type,sample_values,mask_it,is_included_in_report
5e95a49b0985567430f8fc00,FullName,Full Name,,,,,,,,,TRUE
5e95a4dd0985567430f9ef16,xyz,not_found,,,,,,,,,FALSE
5e95a4dd0985567430f9ef17,FullNm,Full Name,,,,,,,,,TRUE
期望的输出
_id,field_name,field_friendly_name,purpose_of_use,category,data_source,schema,table,attribute_type,sample_values,mask_it,is_included_in_report
5e95a49b0985567430f8fc00,FullName,Full Name,,,,,,,,,TRUE
5e95a4dd0985567430f9ef16,xyz,not_found,,,,,,,,,FALSE
5e95a4dd0985567430f9ef17,FullNm,Full Name,,,,,,,,,TRUE
5e95a4dd0985567430f9ef18,FirstName,First Name,,,,,,,,,TRUE
5e95a49b0985567430f8fc01,abc,not_found,,,,,,,,,FALSE
5e95a4dd0985567430f9ef19,FirstNm,First Name,,,,,,,,,TRUE
5e95a4dd0985567430f9ef20,LastName,Last Name,,,,,,,,,TRUE
5e95a4dd0985567430f9ef21,LastNm,Last Name,,,,,,,,,TRUE
5e95a49b0985567430f8fc02,LegalName,Legal Name,,,,,,,,,TRUE
5e95a4dd0985567430f9ef22,LegalNm,Legal Name,,,,,,,,,TRUE
5e95a4dd0985567430f9ef23,NickName,NickName,,,,,,,,,TRUE
5e95a4dd0985567430f9ef24,pqr,not_found,,,,,,,,,FALSE
5e95a49b0985567430f8fc03,NickNm,NickName,,,,,,,,,TRUE
【问题讨论】:
请不要将其标记为复杂,因为我发现它非常困难,即使经过多次 Python 培训,发现它非常困难.. Python 专家需要您的帮助 与 Python 专家聊天会有很大帮助 【参考方案1】:作为替代方案,您可以创建一组正则表达式,使用最后一列中的单词 正则表达式表文件
(full)|(first)|(last)|(legal)|(nick)
您仍然可以调整正则表达式表的最后一列以获得更具体的输出
与你需要。然后,您可以将 not_found
案例附加到正则表达式数据框以准备
与str.extract
一起使用的数据,它从第一个匹配模式中提取组。随着
组匹配,然后我们可以在行轴上使用idxmax
获取正则表达式组索引。在那之后,
将正则表达式表第一列的信息映射到 df 数据框
组索引信息。
import pandas as pd
import re
df = pd.read_csv("data.csv")
print(df)
regxt = pd.read_csv("regex_table.csv")
print(regxt)
# append not_found item case
not_found = pd.Series(["not_found","",""], index=regxt.columns)
regxt = regxt.append(not_found, ignore_index=True)
# create regex groups with last column csv words
regxl = regxt.iloc[:, 2].to_list()
regx_grps = "|".join(["(" + i + ")" for i in regxl])
# get regex group match index
grp_match = df["field_name"].str.extract(regx_grps, flags=re.IGNORECASE)
grp_idx = (~grp_match.isnull()).idxmax(axis=1)
df["field_friendly_name"] = grp_idx.map(lambda r: regxt.loc[r, "Personal_Inforamtion"])
df["is_included_in_report"] = grp_idx.map(lambda r: str(r!=len(regxt)-1).upper())
print(df)
df的输出
_id field_name field_friendly_name ... mask_it is_included_in_report
0 5e95a49b0985567430f8fc00 FullName Full Name ... NaN TRUE
1 5e95a4dd0985567430f9ef16 xyz not_found ... NaN FALSE
2 5e95a4dd0985567430f9ef17 FullNm Full Name ... NaN TRUE
3 5e95a4dd0985567430f9ef18 FirstName First Name ... NaN TRUE
4 5e95a49b0985567430f8fc01 abc not_found ... NaN FALSE
5 5e95a4dd0985567430f9ef19 FirstNm First Name ... NaN TRUE
6 5e95a4dd0985567430f9ef20 LastName Last Name ... NaN TRUE
7 5e95a4dd0985567430f9ef21 LastNm Last Name ... NaN TRUE
8 5e95a49b0985567430f8fc02 LegalName Legal Name ... NaN TRUE
9 5e95a4dd0985567430f9ef22 LegalNm Legal Name ... NaN TRUE
10 5e95a4dd0985567430f9ef23 NickName Nick Name ... NaN TRUE
11 5e95a4dd0985567430f9ef24 pqr not_found ... NaN FALSE
12 5e95a49b0985567430f8fc03 NickNm Nick Name ... NaN TRUE
【讨论】:
以上是关于使用熊猫数据框的正则表达式的主要内容,如果未能解决你的问题,请参考以下文章