Python在pandas列中使用正则表达式提取字符串的部分

Question

我有一个名为'Raw'的pandas df列，其格式不一致。它包含的字符串看起来像这样：

'(1T XXX, Europe)'
'(2T YYYY, Latin America)'
'(3T ZZ/ZZZZ, Europe)'
'(4T XXX XXX, Africa)'

'Raw'字符串中唯一的一致性是它们以数字开头，中间包含逗号和空格，并且它们也包含括号。

现在，我想在我的数据框中创建两个额外的列（Model和Region）：

• 'Model'将包含字符串的开头，即第一个括号和逗号之间的所有内容
• 'Region'将包含字符串的结尾，即逗号后面的空格和最后一个括号之间的所有内容

如何使用正则表达式实现这一点？

- Joss

Answer 1

由于只有一个逗号，而且所有内容都在括号内，在您的情况下，应该适当切片后使用.str.split()：

model_region = df.Raw.str[1:-1].str.split(', ', expand = True)

但是如果您坚持的话：

model_region = df.Raw.str.extract('\((.*), (.*)\)', expand = True)

那么

df['Model'] = model_region[0]
df['Region'] = model_region[1]

- Ken Wei

Answer 2

尝试这个：\(([^,]*), ([^)]*)\)

查看：https://regex101.com/r/fCetWg/1

- Esteban

Answer 3

import re

s = '(3T ZZ/ZZZZ, Europe)'
m=re.search(r'\((.*), (.*)\)',s)
print(m.groups())

- K. Kirsz

Answer 4

Model=re.findall(r"(?<=\().+(?=\,)",s)
Region=re.findall(r"(?<=\, ).+(?=\))",s)

第一个正则表达式检查模型前面的开括号“（”和闭逗号“，”。第二个正则表达式检查在逗号“，”和右括号“）”之间的任何字符串。

- Sudarshan shenoy

Answer 5

string_list = ['(1T XXX, Europe)',
'(2T YYYY, Latin America)',
'(3T ZZ/ZZZZ, Europe)',
'(4T XXX XXX, Africa)']
df = pd.DataFrame(string_list)
df = df[0].str.extract("\(([^,]*), ([^)]*)\)", expand=False)

- Akshay Kandul

Answer 6

如果逗号是您字符串部分可靠的分隔符，则您不需要正则表达式。 如果df是您的数据框：

df['Model'] = [x.split(',')[0].replace('(', '') for x in df['Raw']]
df['Region'] = [x.split(',')[1].replace(')', '') for x in df['Raw']]

如果你想使用正则表达式，它会看起来像这样：

s = '(1T XXX, Europe)'
m = re.match('\(([\w\s]+),([\w\s]+)\)', s)
model = m.group(1)
region = m.group(2)

- felix the cat

Answer 7

你可以尝试以下方法：

示例数据框：

df
                        raw
0          (1T XXX, Europe)
1  (2T YYYY, Latin America)
2      (3T ZZ/ZZZZ, Europe)
3      (4T XXX XXX, Africa)

解决方案 1：

使用 str.extract 和 regex。

df = df.raw.str.extract(r'\((.*), (.*)\)').rename(columns={0:'Model', 1:'Region'})
print(df)
        Model         Region
0      1T XXX         Europe
1     2T YYYY  Latin America
2  3T ZZ/ZZZZ         Europe
3  4T XXX XXX         Africa

解决方案2：

使用rename函数，结合str.replace()和str.split()方法。

df = df.raw.str.replace('[(|)]' , '').str.split(',', expand=True).rename(columns={0:'Model', 1:'Region'})
print(df)
        Model          Region
0      1T XXX          Europe
1     2T YYYY   Latin America
2  3T ZZ/ZZZZ          Europe
3  4T XXX XXX          Africa

注意：

然而，如果您想保留原始列，那么您可以选择以下方法：

df[['Model', 'Region' ]] = df.raw.str.replace('[(|)]' , '').str.split(',', expand=True)

print(df)
                        raw       Model          Region
0          (1T XXX, Europe)      1T XXX          Europe
1  (2T YYYY, Latin America)     2T YYYY   Latin America
2      (3T ZZ/ZZZZ, Europe)  3T ZZ/ZZZZ          Europe
3      (4T XXX XXX, Africa)  4T XXX XXX          Africa

或者

df[['Model', 'Region' ]] = df.raw.str.extract(r'\((.*), (.*)\)')
print(df)
                        raw       Model         Region
0          (1T XXX, Europe)      1T XXX         Europe
1  (2T YYYY, Latin America)     2T YYYY  Latin America
2      (3T ZZ/ZZZZ, Europe)  3T ZZ/ZZZZ         Europe
3      (4T XXX XXX, Africa)  4T XXX XXX         Africa

- Karn Kumar