查看原文
其他

Pandas文本处理双雄extract+extractall

尤而小屋 尤而小屋 2022-06-19

公众号:尤而小屋
作者:Peter
编辑:Peter

大家好,我是Peter~

今天给大家介绍两个Pandas中处理文本数据的函数,主要功能是从文本内容中提取想要的信息:extract + extractall

建议:如果你有点正则匹配的基本知识,食用本文更香~

一、extract函数

1.1语法说明

extract函数的具体使用形式如下,只有3个参数:

Series.str.extract(pat, flags=0, expand=None)

参数的具体解释为:

  • pat:字符串或者正则表达式
  • flags:整型
  • expand:布尔值,是否返回DataFrame;T-是,F-否

1.2模拟数据

我们看看一个官网提供的简单案例,下面是模拟的数据Series:

1.3匹配1

在下面的例子中,匹配了两组模式的数据;一对()表示匹配一组:

  • [ab]:表示从ab字母中任意匹配一个
  • \d:表示匹配一个数字

通过结果,我们可以发现2点:

  1. 当匹配多组规则的时候,如果没有匹配成功,则用NaN来代替
  2. 当第一组模式没有匹配成功的时候,第二组匹配无效

关于第2点:在c3中虽然后面的\d匹配到了数字,但是前面的[ab]是没有匹配成功的,c不满足ab中的任意一个,所以最终整体还是NaN

1.4匹配2

下面的匹配和上面的区别在于多个了问号?,结果却不同

在进行正则匹配的时候,问号?表示匹配前面元素的1个或者0个。所以在c3中,[ab]可以说是匹配到了0个,用NaN代替,也是匹配成功

1.5匹配3

在匹配的时候指定列名,生成最终的DataFrame:

列名的指定使用?P<column>

1.6参数expand使用

关于参数expand的使用:

  • expand = True:返回的是DataFrame
  • expand = False:返回的是Series或者Index

通过下面两个例子的比较,我们就能够观察到expand的作用:

二、extractall函数

2.1语法说明

extract只返回第一个匹配到的字符;extractall将匹配所有返回的字符

Series.str.extractall(pat, flags=0)

参数的具体解释为:

  • pat:字符串或者正则表达式
  • flags:整型

返回值一定是一个DataFrame数据框

2.2模拟数据

下面是模拟了一份新的数据:

下面通过3个例子来对比两个函数的区别:

2.3对比1

单组模式下的匹配

2.4对比2

多组模式下的匹配:

2.5对比3

多组模式下的匹配,且加上列名:

三、实战案例

下面通过一个实际的案例来讲解如何使用extract函数:

3.1模拟数据

name字段中其实是同时包含了姓名和性别两个信息,address字段中同时包含了省份和城市:

df = pd.DataFrame({
    "name":["Tom-male","Peter male","Jimmy-female","Mike male","John-female"],
    "address":["广东省深圳市","广东省广州市","浙江省杭州市","江苏省南京市","湖南省长沙市"]}
    )
df

3.2提取省份

快速提取地址address中的省份信息,其中.*?表示匹配任意内容

3.3提取省份+城市

同时提取省份+城市,还可以指定列名信息:

3.4提取名字+性别

从字段name中将姓名和性别同时提取出来,\w表示匹配一个字母,+表示匹配多个字符

四、正则匹配小知识

在这里简单介绍一点关于正则匹配的小知识,下面内容来自谷歌分析:

4.1通配符

.匹配任何单个字符(字母、数字或符号)1. 可以匹配 10、1A  1.1 可以匹配 111、1A1
?匹配前面的字符 0 次或 1 次10? 可以匹配 1、10
+匹配前面的字符 1 次或多次10+ 可以匹配 10、100
*匹配前面的字符 0 次或多次1* 可以匹配 1、10
|创建 OR(或)匹配  请勿在表达式末尾使用1|10 可以匹配 1、10

4.2定位符

^匹配位于字符串开头的相邻字符^10 可以匹配 10100、10x  ;无法匹配 110、110x
$匹配位于字符串结尾的相邻字符10$ 可以匹配 110、1010  ;无法匹配 100、10x

4.3问号 (?)

问号 (?) 匹配前面的字符 0 次或 1 次。例如,10? 可以匹配:

  • 1    :问号前面的0匹配了0次
  • 10   :问号前面的0匹配了1次

4.4加号 (+)

加号 (+) 匹配前面的字符 1 次或多次。例如,10+ 可以匹配:

  • 10  :0匹配一次
  • 100  :0匹配两次
  • 1000   :0匹配三次

4.5星号 (*)

星号 (*) 匹配前面的字符 0 次或多次。例如,10* 可以匹配:

  • 1  :前面的0匹配0次
  • 10  :匹配1次
  • 100
  • 1000

后面详细写一篇基于Python中re模块正则匹配文章,下期见~


推荐阅读


基于LSTM模型实现共享自行车需求预测

机器学习神器Scikit-Learn入门.PPT

机器学习矩阵运算必学库Numpy首秀!

Pandas入门.PPT

纯国产可视化库Pyecharts首秀!

精华!Pandas数据排序实现

尤而小屋,一个温馨的小屋。小屋主人,一手代码谋求生存,一手掌勺享受生活,欢迎你的光临

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存