使用pandas将字符串分割成数字和文本

Question

设置

我有一个包含化学同位素符号的列'iso'的pandas数据框，例如 '4He'、'16O'、'197Au'。 我想使用matplotlib中的annotate()函数将许多（但不是全部）同位素标记在图上。 标签格式应该带有上标的原子质量。 我可以用LaTeX样式格式化来做到这一点：

axis.annotate('$^{4}$He', xy=(x, y), xycoords='data')

我可以为每个我想标记的同位素编写几十个annotate()语句，但我更愿意自动化。

问题

如何从我的iso列中提取同位素编号和名称？

有了这些提取出来的部分，我就可以制作标签。 假设我们将它们倒入变量Num和Sym中。 现在我可以循环遍历我的同位素并执行以下操作：

for i in list_of_isotopes:
  (Num, Sym) = df[df.iso==i].iso.str.MISSING_STRING_METHOD(???)
  axis.annotate('$^{%s}$%s' %(Num, Sym), xy=(x[Num], y[Num]), xycoords='data')

我想，我可以使用字符串方法来解决这个问题。但是我一直在尝试使用和以及一些不同的模式，但无法获得所需的效果。

- Paul T.

---

也许这可以帮助您拆分 iso 列。它将为split返回的每个标记创建一列。您能提供要拆分的数据和匹配模式的示例吗？df = pd.DataFrame('part1_part2', index=range(0,3), columns=['iso']) df['iso'].str.split('_', expand=True)。 - Romain

那需要我的列已经有一个下划线...但它没有。 - Paul T.

使用可改进的 regexp 分割字符串，检查我的答案。 - Romain

Answer 1

这是我使用split的答案。所使用的正则表达式可以改进，我对这种事情很不擅长 :-)

(\d+)代表整数，而([A-Za-z]+)代表字符串。

df = pd.DataFrame({'iso': ['4He', '16O', '197Au']})
result = df['iso'].str.split('(\d+)([A-Za-z]+)', expand=True)
result = result.loc[:,[1,2]]
result.rename(columns={1:'x', 2:'y'}, inplace=True)
print(result)

产生

     x   y
0    4  He
1   16   O
2  197  Au

- Romain

---

这个很好扩展。我可以轻松地在原始数据框中运行所有2000多个同位素。此外，我还将创建的列添加到了现有的数据框中。 - Paul T.

太好了，我刚刚对我的答案进行了一点小改进！我仍然不知道为什么会生成两列额外的列。我有点对“regexp”过敏。 - Romain

@Fei Yuan，回复您的编辑建议，expand参数在文档中提到是“版本0.16.1中新增的”。也许这就是为什么代码在您的环境中无法工作的原因。 - Romain

[A-z] 匹配的不仅仅是 ASCII 字母。我将其更改为 [A-Za-z]。 - Wiktor Stribiżew

这很好地扩展，速度快，并且是最干净的方法。 - msarafzadeh

Answer 2

接受的答案给了我正确的方向，但我认为正确的pandas函数应该是extract。这样只返回匹配的正则表达式，省去了之后的切片操作。

df = pd.DataFrame({'iso': ['4He', '16O', '197Au']})
df[['num', 'element']] = df['iso'].str.extract('(\d+)([A-Za-z]+)', expand=True)
print(df)

提供

     iso  num element
0    4He    4      He
1    16O   16       O
2  197Au  197      Au

- Simon

Answer 3

我会使用简单的字符串操作，避免正则表达式的麻烦。

isotopes = ['4He', '16O', '197Au']
def get_num(isotope):
    return filter(str.isdigit, isotope)

def get_sym(isotope):
    return isotope.replace(get_num(isotope),'')

def get_num_sym(isotope):
    return (get_num(isotope),get_sym(isotope))


for isotope in isotopes:
    num,sym = get_num_sym(isotope)
    print num,sym

- taesu

Answer 4

要提取同位素符号的数字和元素，您可以使用正则表达式（简称：regex）与Python的re模块相结合。 正则表达式查找数字和之后查找字符，这些字符被分组并可使用组名访问。 如果正则表达式匹配，则可以提取数据并.format()所需的注释字符串：

#!/usr/bin/env python3
# coding: utf-8

import re

iso_num = '16O'

preg = re.compile('^(?P<num>[0-9]*)(?P<element>[A-Za-z]*)$')
m = preg.match(iso_num)

if m:
    num = m.group('num')
    element = m.group('element')

    note = '$^{}${}'.format(num, element)

    # axis.annotate(note, xy=(x, y), xycoords='data')

- albert

Answer 5

你尝试过使用strip()吗？也许你可以考虑一下：

import string

for i in list_of_isotopes:
  Num = df[df.iso==i].iso.str.strip(string.ascii_letters)
  Sym = df[df.iso==i].iso.str.strip(string.digits)
  axis.annotate('$^%s$%s' %(Num, Sym), xy=(x[Num], y[Num]), xycoords='data')

- Fei Yuan