str.extract 在 pandas DataFrame 中从后面开始

Posted

技术标签:

【中文标题】str.extract 在 pandas DataFrame 中从后面开始【英文标题】:str.extract starting from the back in pandas DataFrame 【发布时间】:2018-02-12 08:06:28 【问题描述】:

我有一个包含数千行和两列的 DataFrame,如下所示:

                                          string       state
0      the best new york cheesecake rochester ny          ny
1      the best dallas bbq houston tx random str          tx
2   la jolla fish shop of san diego san diego ca          ca
3                                   nothing here          dc

对于每个州,我都有一个所有城市名称(小写)的正则表达式,其结构类似于(city1|city2|city3|...),其中城市的顺序是任意的(但如果需要可以更改)。例如,纽约州的正则表达式包含 'new york''rochester'(同样,德克萨斯州的 'dallas''houston',加利福尼亚州的 'san diego''la jolla')。

我想找出字符串中最后出现的城市是什么(对于观察 1、2、3、4,我想要 'rochester''houston''san diego'NaN(或无论如何),分别)。

我从str.extract 开始,并试图考虑诸如反转字符串之类的事情,但已经陷入僵局。

非常感谢您的帮助!

【问题讨论】:

【参考方案1】:

您可以使用str.findall,但如果没有匹配则为空list,所以需要申请。最后通过[-1]选择字符串的最后一项:

cities = r"new york|dallas|rochester|houston|san diego"

print (df['string'].str.findall(cities)
                   .apply(lambda x: x if len(x) >= 1 else ['no match val'])
                   .str[-1])
0       rochester
1         houston
2       san diego
3    no match val
Name: string, dtype: object

(已修正 >= 1 至 > 1。)

另一种解决方案有点小技巧 - 在每个字符串的开头添加不匹配的字符串 radd 并将此字符串添加到城市:

a = 'no match val'
cities = r"new york|dallas|rochester|houston|san diego" + '|' + a

print (df['string'].radd(a).str.findall(cities).str[-1])
0       rochester
1         houston
2       san diego
3    no match val
Name: string, dtype: object

【讨论】:

【参考方案2】:
cities = r"new york|dallas|..."

def last_match(s):
    found = re.findall(cities, s)
    return found[-1] if found else ""

df['string'].apply(last_match)
#0    rochester
#1      houston
#2    san diego
#3         

【讨论】:

以上是关于str.extract 在 pandas DataFrame 中从后面开始的主要内容,如果未能解决你的问题,请参考以下文章

如何为 Pandas RE .str.extract() 使用 RE OR Operand

Python pandas str.extract 从多列

pandas - series.str.extract 正在删除捕获组的第一个字符

pandas的分列之不规则字符串及str.extract()

pandas与matplotlib综合案例

23、pandas的多列拼接成一列函数.str.cat()