Python - 计算熊猫行字符串上的连续前导数字而不计算非连续数字

Posted 2023-02-19

【中文标题】Python - 计算熊猫行字符串上的连续前导数字而不计算非连续数字

【英文标题】：Python - count successive leading digits on a pandas row string without counting non successive digits

【发布时间】：2022-01-24 02:12:40

【问题描述】：

我需要创建一个新列来计算前导 0 的数量，但是我在尝试这样做时遇到了错误。 我根据 mongo 上的以下正则表达式 [\^0[0]*[1-9][0-9]*\] 从 mongo 中提取数据并将其保存到 csv 文件中。这是所有以 0 开头的“序列”。

df['Sequence'].str.count('0')

和

df['Sequence'].str.count('0[0]*[1-9][0-9]')

给出以下结果。如您所见，两个“count”字符串返回也将计算非前导 0。或者只是 0 的总数。

    Sequence    0s
0   012312312   1
1   024624624   1
2   036901357   2
3   002486248   2
4   045074305   3
5   080666140   3

我也尝试使用在测试时有效的循环编写，但在数据帧上使用它时，我遇到以下**IndexError: string index out of range**

results = []
count = 0 
index = 0
for item in df['Sequence']:
    count = 0 
    index = 0
    while (item[index] == "0"):  
            count = count + 1          
            index = index + 1
    results.append(count)
df['0s'] = results
df

简而言之；如果我能为 001230 子字符串得到 2 而不是 3。我可以将结果保存在列中以进行统计。

【参考方案1】：

您可以使用 extract 和 ^(0*) 正则表达式来仅匹配前导零。然后使用str.len获取长度。

df['0s'] = df['sequence'].str.extract('^(0*)', expand = False).str.len()

示例输入：

df = pd.DataFrame('sequence': ['12040', '01230', '00010', '00120'])

输出：

  sequence  0s
0    12040   0
1    01230   1
2    00010   3
3    00120   2

【参考方案2】：

你可以使用这个正则表达式：

'^0+'

^ 表示，捕获模式是否从字符串的开头开始。 +表示，如果至少出现一次或多次，则捕获。

【参考方案3】：

IIUC，你想计算前导 0 的数量，对吧？将type str 的整数转换为type int 的整数时，前导0 会消失。这是一个解决方案：

df['leading 0s'] = df['Sequence'].str.len() - df['Sequence'].astype(int).astype(str).str.len()

输出：

    Sequence  leading 0s
0  012312312           1
1  024624624           1
2  036901357           1
3  002486248           2
4  045074305           1
5  080666140           1

【讨论】：

这是一个有趣的方法。但是，当与最终数据一起使用时，我得到 Python int 太大而无法转换为 C long 错误。

【参考方案4】：

试试str.findall:

df['0s'] = df['Sequence'].str.findall('^0*').str[0].str.len()
print(df)

# Output:
    Sequence  0s
0  012312312   1
1  024624624   1
2  036901357   1
3  002486248   2
4  045074305   1
5  080666140   1

【讨论】：

目标是只匹配前导零（见我的回答）；）

你是对的。感谢您的信息和很好的回答:)

@Corralien，谢谢，它成功了。我真的坚持使用 .count('^0*')，从未想过 str.findall()。谢谢。