使用正则表达式根据列的值在数据集中创建新列

Posted 2023-02-23

【中文标题】使用正则表达式根据列的值在数据集中创建新列

【英文标题】：creating new columns in a data set based on values of a column using Regex

【发布时间】：2017-12-01 20:57:40

【问题描述】：

这是我的数据框

index     duration 
1           7 year   
2           2day
3           4 week
4           8 month

我需要将数字与时间分开并将它们放在两个新列中。输出是这样的：

index     duration         number     time
1           7 year          7         year
2           2day            2         day
3           4 week          4        week
4           8 month         8         month

这是我的代码：

df ['numer'] = df.duration.replace(r'\d.*' , r'\d', regex=True, inplace = True)
df [ 'time']= df.duration.replace (r'\.w.+',r'\w.+', regex=True, inplace = True )

但它不起作用。有什么建议吗？

我还需要根据时间列的值创建另一列。所以新的数据集是这样的：

 index     duration         number     time      time_days
    1           7 year          7         year       365
    2           2day            2         day         1
    3           4 week          4        week         7
    4           8 month         8         month       30

df['time_day']= df.time.replace(r'(year|month|week|day)', r'(365|30|7|1)', regex=True, inplace=True)

有什么建议吗？

【问题讨论】：

你的最终目标是什么？你将如何使用这些解析的列？

【参考方案1】：

我们可以在这里使用Series.str.extract：

In [67]: df[['number','time']] = df.duration.str.extract(r'(\d+)\s*(.*)', expand=True)

In [68]: df
Out[68]:
   index duration number    time
0      1   7 year      7    year
1      2     2day      2     day
2      3   4 week      4    week
3      4  8 month      8   month

RegEx explained - regex101.com 是 IMO 最好的在线 RegEx 解析器、测试器和解释器之一

您可能还想将 number 列转换为整数 dtype：

In [69]: df['number'] = df['number'].astype(int)

In [70]: df.dtypes
Out[70]:
index        int64
duration    object
number       int32
time        object
dtype: object

更新：

In [167]: df['time_day'] = df['time'].replace(['year','month','week','day'], [365, 30, 7, 1], regex=True)

In [168]: df
Out[168]:
   index duration number    time  time_day
0      1   7 year      7    year       365
1      2     2day      2     day         1
2      3   4 week      4    week         7
3      4  8 month      8   month        30

【讨论】：

您能解释一下这段代码 df.duration.str.extract(r'(\d+)\s*?(.*)$', expand=True) 的工作原理吗？我不明白？和 $ 在这里。

@Mary，我稍微优化了 RegEx 并添加了一个指向解释过的 RegEx 的链接 - 请检查

【参考方案2】：

您可以将str.extract 与astype 一起使用：

df = df['duration'].str.extract(r'(?P<number>\d+)\s*(?P<time>\w+)', expand=True)
#convert to int
df['number'] = df['number'].astype(int)
print (df)
   number   time
0       7   year
1       2    day
2       4   week
3       8  month

Extracting substrings.

用于添加到原始DataFrame：

df = df.join(df['duration'].str.extract(r'(?P<number>\d+)\s*(?P<time>\w+)', expand=True))
#convert to int
df['number'] = df['number'].astype(int)
print (df)
   index duration  number   time
0      1   7 year       7   year
1      2     2day       2    day
2      3   4 week       4   week
3      4  8 month       8  month

---

df[['number','time']] = df['duration'].str.extract(r'(\d+)\s*(\w+)', expand=True)
#convert to int
df['number'] = df['number'].astype(int)
print (df)
   index duration  number   time
0      1   7 year       7   year
1      2     2day       2    day
2      3   4 week       4   week
3      4  8 month       8  month

【讨论】：

抱歉，我现在只接电话。所以我更喜欢字典的地图。 d = 'year':365, 'month':30, 'week':7, 'day':1 df['time_day'] = df['time'].map(d)。如果在time 列中只有 4 个可能的值，它就可以完美运行，否则会得到 NaN。如果需要更改不是所有值，而只更改一些值，则使用替换。所以这里有更好的地图。但是如果列中的值是 a, b, c,d, e,f... 并且只需要将 a,c 更改为 b,d 更好的解决方案是替换。祝你好运！