删除以熊猫系列中特定字符串开头的所有文本

Posted 2023-03-12

【中文标题】删除以熊猫系列中特定字符串开头的所有文本

【英文标题】：Deleting all text starting with a specific string in a pandas series

【发布时间】：2021-02-20 13:45:18

【问题描述】：

我有以下名为“places”的df

                   place_name
0                 "Palais et bâtiments officiels[modifier | modifier le code]"
1                 "Lieux de culte renommés[modifier | modifier le code]"
2                 "Vestiges gallo-romains[modifier | modifier le code]"

如您所见，有一个类似的子字符串 [修饰符 |在places["place_name] 的所有输入中添加修饰符 le code]，我想删除子字符串。

我尝试了以下两种技术

places["place_name"] = places["place_name"].apply(lambda x: re.sub("\\[modifier \\| modifier le code\\]", "", x))

places["places_name"] = places["place_name"].str.replace("[modifier | modifier le code]", "", regex=False) 

这些都不起作用，因为我认为问题是我要删除的子字符串被另一个子字符串卡住了（注意开头没有空格）所以我认为代码本身不能将其识别为字符串.我一直在尝试使用 split() 方法拆分它，但我遇到了同样的问题，因为我要删除的字符串的开头没有空格。

最终输出应该是

                   place_name
0                 "Palais et bâtiments officiels"
1                 "Lieux de culte renommés"
2                 "Vestiges gallo-romains"

我试图寻找其他解决方案但找不到任何解决方案，我知道有很多关于字符串的问题但找不到具体的解决方案。

【参考方案1】：

你应该使用Series.str.split:

places["place_name"] = places["place_name"].str.split('\\[modifier').str[0]

基本上，在'[modifier' 上拆分您的字符串并选择第一个值（[0]]

【讨论】：

@aramis 您可以使用 "[modifier" 和 rsplit，因为它不使用正则表达式，而且字符串中只有一个 [modifier，请参阅我的回答以及更多解决方案。

【参考方案2】：

我建议

从 0+ 空格和 [modifier 开始删除所有内容：

places["place_name"].str.replace(r'\s*\[modifier.*', '')

这里，\s* 匹配 0+ 个空格，\[ 匹配 [ 和 modifier.* 匹配 modifier，然后尽可能多地匹配除换行符之外的任何 0+ 个字符。

见this regex demo。

提取从字符串开头到第一个[的所有文本：

places["place_name"] = places["place_name"].str.extract(r'^([^][]+)', expand=False)

请参阅regex demo。 详情：

^ - 字符串开头 ([^][]+) - 捕获组 1（Seris.str.extract 要求捕获组返回任何值）：一个或多个除 ] 和 [ 之外的字符。

熊猫测试：

>>> import pandas as pd
>>> places = pd.DataFrame('place_name':["Palais et bâtiments officiels[modifier | modifier le code]","Lieux de culte renommés[modifier | modifier le code]","Vestiges gallo-romains[modifier | modifier le code]"])
>>> places["place_name"] = places["place_name"].str.extract(r'^([^][]+)', expand=False)
>>> places
                      place_name
0  Palais et bâtiments officiels
1        Lieux de culte renommés
2         Vestiges gallo-romains

>>> places["place_name"].str.replace(r'\s*\[modifier.*', '')
0    Palais et bâtiments officiels
1          Lieux de culte renommés
2           Vestiges gallo-romains

如果您更喜欢split，您可以使用Seris.str.rsplit，它使用文字字符串，而不是正则表达式：

>>> places["place_name"].str.rsplit('[modifier').str[0]
0    Palais et bâtiments officiels
1          Lieux de culte renommés
2           Vestiges gallo-romains

【讨论】：

非常感谢您的广泛回答，这对这项任务非常有用，但也扩展了我对正则表达式的了解