如何有条件地将子字符串复制到熊猫数据框的新列中？

Posted 2023-02-22

【中文标题】如何有条件地将子字符串复制到熊猫数据框的新列中？

【英文标题】：How to conditionally copy a substring into a new column of a pandas dataframe?

【发布时间】：2018-02-01 16:47:57

【问题描述】：

这是我的第一篇文章，所以希望我不会搞砸这个问题，我很清楚。 基本上，这是一个两部分的问题。我需要设置首先检查 A 列是否 =“VALID”的代码。如果这是真的，我需要从 B 列中提取子字符串并将其放在一个新列中，这里标记为“C”。如果条件为假，我想输入“NA”。请参阅第二张表了解我想要的结果。

|     A       |             B                     |
|-------------|-----------------------------------|
|    VALID    |asdfafX'XextractthisY'Yeaaadf      |
|    INVALID  |secondrowX'XsubtextY'Yelakj        |
|    VALID    |secondrowX'XextractthistooY'Yelakj |

---

|     A       |             B                       |      C          |
|-------------|-------------------------------------|-----------------|
|    VALID    |"asdfafX'XextractthisY'Yeaaadf"      | extractthis     |
|    INVALID  |"secondrowX'XsubtextY'Yelakj"        | NA              |
|    VALID    |"secondrowX'XextractthistooY'Yelakj" | extractthistoo  |

需要注意的几点：

-子字符串总是在短语“X'X”之后开始并在“Y'Y”之前结束。

-子字符串的长度会因单元格而异。

我知道以下代码是错误的，但我想向您展示我是如何尝试解决这个问题的：

import pandas as pd

if df[A] == "VALID":
   df[C] = df[B]df.str[start:finish]
else:
   df[C].isna()

对于这个基本代码中的错误，我深表歉意，因为我完全是 python 新手，仍然依赖 IDE 和反复试验来指导我。感谢您提供任何帮助。

【参考方案1】：

你可以使用pd.Series.str.extract:

In [737]: df
Out[737]: 
         A                                   B
0    VALID       asdfafX'XextractthisY'Yeaaadf
1  INVALID         secondrowX'XsubtextY'Yelakj
2    VALID  secondrowX'XextractthistooY'Yelakj

In [745]: df['C'] = df[df.A == 'VALID'].B.str.extract("(?<=X'X)(.*?)(?=Y'Y)", expand=False)

In [746]: df
Out[746]: 
         A                                   B               C
0    VALID       asdfafX'XextractthisY'Yeaaadf     extractthis
1  INVALID         secondrowX'XsubtextY'Yelakj             NaN
2    VALID  secondrowX'XextractthistooY'Yelakj  extractthistoo

正则表达式模式是：

(?<=X'X)(.*?)(?=Y'Y)

(?<=X'X) 是 X'X 的后视

(.*?) 匹配lookbehind 和lookahead 之间的所有内容

(?=Y'Y) 是Y'Y 的前瞻

【讨论】：

我觉得你可以简化成df['C'] = df[df.A == 'VALID'].B.str.extract("(?<=X'X)(.*?)(?=Y'Y)")，不需要初始化df['C']，NaN是默认的。

完美。那成功了！感谢您对此的帮助。