熊猫在月日时间后从其余字符串中分离出来

Posted 2023-03-11

【中文标题】熊猫在月日时间后从其余字符串中分离出来

【英文标题】：Pandas split after month day time from rest of string

【发布时间】：2020-02-21 20:30:57

【问题描述】：

我正在使用熊猫数据框。我正在尝试从字符串的其余部分中拆分日期和时间之后的列。

df
   data
0  Oct 22 12:56:52 server1
1  Oct 22 12:56:52 server2
2  Oct 22 12:56:53 server2
3  Oct 22 12:56:54 server2
4  Oct 22 12:56:56 comp2

期望的输出：

df
   date              machine
0  Oct 22 12:56:52   server1
1  Oct 22 12:56:52   server2
2  Oct 22 12:56:53   server2
3  Oct 22 12:56:54   server2
4  Oct 22 12:56:56   comp2

如果我尝试df["data"].str.extract('^(.*? [0-9]2) (.*)$') 之类的方法，它只会在 22（天）之后删除所有内容

【参考方案1】：

使用positive lookbehind 分割semicolontwo numbersspace：

详情：

(?<=) 是积极的后视（检查字符串之前是否有任何内容） :\d2 是模式：semicolontwo numbers \s 是空格

结论：我们在whitespace 上进行拆分，但前提是它之前是上述模式。

s = df['data'].str.split('(?<=:\d2)\s')

df['date'] = s.str[0]
df['machine'] = s.str[1]
df = df.drop(columns='data')

或者作为piRSquared & jezrael suggest in the comments，单行：

df['date'], df['machine'] = zip(*df.pop('data').str.split('(?<=:\d2)\s'))

输出

              date  machine
0  Oct 22 12:56:52  server1
1  Oct 22 12:56:52  server2
2  Oct 22 12:56:53  server2
3  Oct 22 12:56:54  server2
4  Oct 22 12:56:56    comp2

【讨论】：

这里给你一些技巧（-：df['date'], df['machine'] = df.data.str.split('(?<=:\d2)\s').str

另外，如果机器名总是缺少空格，那么我们可以做一个rsplit:df['date'], df['machine'] = df.data.str.rsplit(n=1).str

爱它！添加它。它如何在这里覆盖df['Data']？ @piRSquared

它没有）-：你仍然需要放弃它。

嘿@jezrael 不错的一个（-：

【参考方案2】：

理解

这取决于始终为 15 个字符的数据格式。 此外，由于无论如何我们都将不得不删除一列'data'，我认为最好从头开始创建一个数据框。

pd.DataFrame([[s[:15], s[16:]] for s in df.data], columns=['date', 'machine'])

              date  machine
0  Oct 22 12:56:52  server1
1  Oct 22 12:56:52  server2
2  Oct 22 12:56:53  server2
3  Oct 22 12:56:54  server2
4  Oct 22 12:56:56    comp2

---

rsplit

取决于'machine' 名称，从不包含空格。

这是因为pandas.Series.str 提供的字符串访问器是可迭代的，可以在类似于x, y = (1, 2) 的赋值语句中使用

另外请注意，我毫无歉意地接受了使用pop in this instance from @jezrael的想法

df['date'], df['machine'] = df.pop('data').str.rsplit(n=1).str

df

              date  machine
0  Oct 22 12:56:52  server1
1  Oct 22 12:56:52  server2
2  Oct 22 12:56:53  server2
3  Oct 22 12:56:54  server2
4  Oct 22 12:56:56    comp2

【讨论】：

也许在你的答案中也添加这个：df['date'], df['machine'] = df.data.str.rsplit(n=1).str

【参考方案3】：

如果格式保持不变：

df['date'] = df['data'].str[:-8]
df['machine'] = df['data'].str[-8:]

print(df)

                      data             date   machine
0  Oct 22 12:56:52 server1  Oct 22 12:56:52   server1
1  Oct 22 12:56:52 server2  Oct 22 12:56:52   server2

【讨论】：

我喜欢这个答案，但为了安全起见，我认为我们不能依赖机器名称总是 8 个字符。我认为我们最好从一开始就这样做。 df.data.str[:15]

【参考方案4】：

试试这个：

r"(?<=[\S ][\d]2:[\d]2:[\d]2 )[\S ]+"

我不是最好的正则表达式，肯定有更好的方法，但这有效

【参考方案5】：

您也可以传递日期\时间的确切形式：

df['data'].str.extract('(\w* \d* \d*:\d*:\d*) (.*)')

输出：

                 0        1
0  Oct 22 12:56:52  server1
1  Oct 22 12:56:52  server2
2  Oct 22 12:56:53  server2
3  Oct 22 12:56:54  server2
4  Oct 22 12:56:56    comp2

【讨论】：

df['data'].str.extract('(?P<date>\w* \d* \d*:\d*:\d*) (?P<machine>.*)')