如何在 Pandas 中的两个特定字符串术语之间获取字符串答案

【问题标题】：How to get strings between two specific strings terms in Pandas如何在 Pandas 中的两个特定字符串术语之间获取字符串
【发布时间】：2021-06-26 01:03:05
【问题描述】：

晚上好。

我想帮助我了解如何在 pandas (python) 中的两个字符串之间获取信息。

假设我有一个每个汽车经销商的汽车价格数据库，其中每个单元格都有类似于此的文本（注意：汽车经销商列可以是每一行的索引）：

"1 - 福特 (1) - 新：60000 雷亚尔 / 二手：30000 雷亚尔轿车 2 - 梅赛德斯 - 奔驰 (1) - 新：R$130000 / 二手：R$95000 银色轿车 3 - 奇瑞 (caoa) (1) - 新：R$80000 / 二手：R$60000 SUV 汽车 5 - 其他 (1) - 新：90000 雷亚尔 / 二手：75500 雷亚尔掀背车"

感谢您的帮助！

【问题讨论】：

你想做什么，预期的输出是什么？

标签： python regex pandas string web-scraping

【解决方案1】：

三步流程

使用re.split()将整个字符串拆分为行项目
使用pandas extract解析出行的组成部分
最终将数据框塑造成宽...

import re
import pandas as pd
import numpy as np

s = "1 - Ford (1) - new:R$60000 / used:R$30000 sedan car 2 - Mercedes - Benz (1) - new:R$130000 / used:R$95000 silver sedan car 3 - Chery (caoa) (1) - new:R$80000 / used:R$60000 SUV car 5 - Others (1) - new:R$90000 / used:R$75500 hatch car"

# there as a car after "<n> - ".  split into lines
df = pd.DataFrame(re.split("[ ]?[0-9] - ", s)).replace("", np.nan).dropna()
# parse out each of the strings
df = df[0].str.extract("(?P<car>.*) \([0-9]\) - new:R\$(?P<new>[0-9]*) \/ used:R\$(?P<used>[0-9]*).*")

# finally format as wide format...
df = (df.melt().assign(car=lambda dfa: dfa.groupby("variable").cumcount(),
                col=lambda dfa: dfa.variable + (dfa.car+1).astype(str))
 .drop(columns=["variable","car"])
 .set_index("col")
 .T
)

	car1	car2	car3	car4	new1	new2	new3	new4	used1	used2	used3	used4
value	Ford	Mercedes - Benz	Chery (caoa)	Others	60000	130000	80000	90000	30000	95000	60000	75500

【讨论】：

【解决方案2】：

您可以使用extractall 获取multiIndex 数据框，该数据框总而言之将包含经销商、车号和从正则表达式命名组中提取的值。在extractall 之后，使用stack 重塑数据框和最内层索引，这将允许您设置格式为[(dealer, carN)...] 和随后groupby 相同的第一个索引级别的新索引以保持捕获命令。将每个经销商数据附加到列表中并创建数据框。

import pandas as pd
import re

df = pd.DataFrame(
    ["1 - Ford (1) - new:R$60000 / used:R$30000 sedan car 2 - Mercedes - Benz (1) - new:R$130000 / used:R$95000 silver sedan car 3 - Chery (caoa) (1) - new:R$80000 / used:R$60000 SUV car 5 - Others (1) - new:R$90000 / used:R$75500 hatch car",
    "2 - Toyota (1) - new:R$10543 / used:R$9020 silver sedan car",
    "3 - Honda (1) - new:R$123600 / used:R$34400 sedan car 2 - Fiat (1) - new:R$1955 / used:R$877 silver sedan car 3 - Cadillac (1) - new:R$174500 / used:R$12999 SUV car"])

regex = re.compile(
    r"\d\s-\s(?P<car>.*?)(?:\s\(\d+\)?\s)-\s"
    r"new:R\$(?P<new>[\d\.\,]+)\s/\s"
    r"used:R\$(?P<used>[\d\.\,]+).*?car"
)

df_out = df[0].str.extractall(regex).stack()

df_out.index = [df_out.index.get_level_values(0), \
                df_out.index.map(lambda x: f'{x[2]+str(x[1]+1)}')]

dealers = []
for n, g in df_out.groupby(level=0):
    dealers.append(g.droplevel(0))

df1 = pd.DataFrame(dealers).rename_axis('Dealer')
print(df1)

df1的输出

          car1    new1  used1             car2    new2  used2          car3    new3  used3    car4   new4  used4
Dealer
0         Ford   60000  30000  Mercedes - Benz  130000  95000  Chery (caoa)   80000  60000  Others  90000  75500
1       Toyota   10543   9020              NaN     NaN    NaN           NaN     NaN    NaN     NaN    NaN    NaN
2        Honda  123600  34400             Fiat    1955    877      Cadillac  174500  12999     NaN    NaN    NaN

【讨论】：