【问题标题】：extracting and replacing substring using regex in a pandas dataframe在熊猫数据框中使用正则表达式提取和替换子字符串
【发布时间】：2018-03-31 09:28:28
【问题描述】：

我有这个：

                                                Title  
Num                                                      
0    <span class="o-label--tiny">VALEUR ÉNERGÉTIQUE</span>   
1         <span class="o-label--tiny">PROTÉINES</span>   
2          <span class="o-label--tiny">GLUCIDES</span> 

<class 'pandas.core.frame.DataFrame'> Num Index(['Title'], dtype='object')

这就是我想要的：

            Title  
Num                                                      
0  VALEUR ÉNERGÉTIQUE   
1           PROTÉINES   
2            GLUCIDES

这是我开发的正则表达式：

(<span class=\"o-label--tiny\">)([a-zA-Z]+\s*\w*)(</span>)

测试它我发现它与整个初始字符串匹配，并且具有不同子字符串的组。最后，我希望 group(2) 在我的数据框列中。（我下面的示例显示了明确的正则表达式，但我也尝试了这些与 re.compile 结果，这也不能让我得到最终结果）。

这是我尝试过的：

df['Title'] = df['Title'].replace({'<span class=\"o-label--tiny\">': ''}, inplace=True, regex=True)

结果：

尝试 2 号：

df['Title'] = df['Title'].str.replace('<span class=\"o-label--tiny\">', repl = '')

结果编号 2：

尝试 3 号：

df['Title'] = df[lambda df: df.columns[0]].str.extract('(>[a-zA-Z]+\s*\w*)', expand=False)

结果 3：

我真的看不出我做错了什么，如果能帮助我达到我想要的结果，我将不胜感激。谢谢！

【问题讨论】：

标签： python pandas replace substring extract

【解决方案1】：

使用str.extract:

df['Title']=df['Title'].str.extract('<span class=\"o-label--tiny\">(.*)</span>',expand=False)
print (df)
                  Title
Num                    
0    VALEUR ÉNERGÉTIQUE
1             PROTÉINES
2              GLUCIDES

如果可能，不同的tags 或classes：

df['Title'] = df['Title'].str.extract('>(.*)<',expand=False)
print (df)
                  Title
Num                    
0    VALEUR ÉNERGÉTIQUE
1             PROTÉINES
2              GLUCIDES

【讨论】：

我正要添加它作为评论。你编辑了它。我删除了我的答案
@jezrael：我试过你的代码，但都不适合我。我仍然得到 NaN 而不是正确的字符串。 ??
我的琴弦是否有一些我没有考虑过的不寻常之处？
@ChiChi - 我不知道 - 是否可以通过 pickle 文件通过电子邮件将您的真实数据发送给我？ df[['Title']].to_pickle('data.pkl') ?
@jezrael - 是的，我会这样做的。非常感谢您提供更仔细地查看它

【解决方案2】：

正则表达式

我不想输入 df 的东西，但我希望这很有用：

import re

stringa = """
0    <span class="o-label--tiny">VALEUR ÉNERGÉTIQUE</span>
1         <span class="o-label--tiny">PROTÉINES</span>
2          <span class="o-label--tiny">GLUCIDES</span>
"""

pattern1 = "[0-9]"
pattern = ">(.*)<"

found = re.findall(pattern1, stringa)
found2 = re.findall(pattern, stringa)

for f in range(len(found)):
    print(found[f] + " " + found2[f])

输出

0 VALEUR ÉNERGÉTIQUE
1 PROTÉINES
2 GLUCIDES

【讨论】：