将 HTML 标记删除应用于 Pandas 列

Posted 2023-02-23

【中文标题】将 HTML 标记删除应用于 Pandas 列

【英文标题】：Apply HTML tags removal to Pandas column

【发布时间】：2018-10-31 00:49:19

【问题描述】：

我需要从 pandas 列中的所有 html 标记中删除，只保留描述。

我已经删除了一列的标签，但需要将它们应用到其他列 - 这就是我所做的；

输入：

df.description[1]

输出：

'<p>Das Ziel der <a href="http://swa-muc.de">Software Architektur München Gruppe</a> ist es, Menschen, die sich mit Software-Architektur auseinandersetzen wollen, in und um München regelmäßig zusammenzubringen, und einen persönlichen Erfahrungsaustausch zu etablieren. Dazu dienen neben der Meetup-Gruppe insbesondere der persönliche Erfahrungsaustausch, organisiert in informellen Treffen, Diskussion von Erfahrungsberichten und Case Studies bis hin zu Vorträge und Workshops. Diese werden auch über Twitter <a href="https://twitter.com/swamuc">@swamuc</a> und Meetup bekannt gegeben.</p>'

我做到了；

read = df.description[1]
read_result = re.sub('<[^<]+?>', '', read)
print(read_result)

输出：

Das Ziel der Software Architektur München Gruppe ist es, Menschen, die sich mit Software-Architektur auseinandersetzen wollen, in und um München regelmäßig zusammenzubringen, und einen persönlichen Erfahrungsaustausch zu etablieren. Dazu dienen neben der Meetup-Gruppe insbesondere der persönliche Erfahrungsaustausch, organisiert in informellen Treffen, Diskussion von Erfahrungsberichten und Case Studies bis hin zu Vorträge und Workshops. Diese werden auch über Twitter @swamuc und Meetup bekannt gegeben.

这一切都很好，但我需要对整个 df.description Pandas 列执行此操作。

这是我尝试过的：

 new_read = df.description[0:10148]
 new_read_result = re.sub('<[^<]+?>', '', new_read)
 print(new_read_result) 

但是，这不起作用并返回；

TypeError：预期的字符串或类似字节的对象

这是我正在尝试的另一种应用方法：

df.description.apply(re.sub('<[^<]+?>', '', new_read))

但也不起作用。

如何将其应用于整个 pandas 列？

【参考方案1】：

在apply 中使用lambda：

例如：

import pandas as pd
import re

df = pd.DataFrame("description": ['<p>Hello</p>', '<p>World</p>'])
print( df.description.apply(lambda x: re.sub('<[^<]+?>', '', x)))

输出：

0    Hello
1    World
Name: description, dtype: object

【讨论】：

这给了我与你在那里相同的输出，但我希望它对整个专栏都这样做，而不仅仅是针对 df.description[1] 的那个我应该忽略 df = pd.Dataframe("description... 因为我有 10148带有描述的列

这应该适用于整个专栏df.description.apply(lambda x: re.sub('<[^<]+?>', '', x))

我在列表中两次使用您的示例作为虚拟数据

更新示例。

它仍然无法正常工作，出现此错误：TypeError: expected string or bytes-like object

【参考方案2】：

执行以下操作

def parser(text):
    return re.sub('<[^<]+?>', '', str(text))



result=df.description.apply(parser)

方法：2

df.description.apply(lambda x : re.sub('<[^<]+?>', '', str(text)))

【讨论】：

遇到错误：TypeError: parser() got an unexpected keyword argument 'inplace'

还是有错误，这次是：TypeError: expected string or bytes-like object

你能显示你正在运行的代码吗？也是错误回溯

def parser(text): return re.sub('<[^<]+?>', '', text) result=df.description.apply(parser) 输出：TypeError: expected string or bytes-like object

现在检查代码，我已经编辑过了。我明确地将其转换为字符串