如何在熊猫中的另一个单词之前提取一个单词

Question

我有这个 pandas DataFrame，它是对足球比赛中比赛的描述：

play_id	type	Text
1	pass	Jon pass complete to Ben.
2	pass	Clock 14:52, Jon pass complete to Mitch.
3	rush	Frank rush.

我的目标是使用脚本创建一个名为“passer”的新列，该脚本将遍历“text”列中的描述，并采用放在单词“pass”之前的名称。所以我首先使用这个：

df['passer'] = df['Text'].str.extract(r'(.*?)pass', expand=False).str.strip()

这给了我这个：

play_id	type	Text	passer
1	pass	Jon pass complete to Ben.	Jon
2	pass	Clock 14:52, Jon pass complete to Mitch.	Clock 14:52, Jon
3	rush	Frank rush.	NaN

它适用于第一个和第三个 playid，但不适用于第二个，因为它需要时间，有时可以包含在描述中。

我尝试在创建我的专栏时实现条件，代码检查描述中是否包含“时钟”，并使用正确的正则表达式，但这不起作用：

conditions = [
    (np.where(df.Text.str.contains('Clock', case=False))),
    (np.where(~df.Text.str.contains('Clock', case=False)))
    ]

choices = [
    df['Text'].str.extract(r', (.*?) pass', expand=False).str.strip(), 
    df['Text'].str.extract('(.*?) pass', expand=False).str.strip()
    ]

df['passerNEW'] = np.select(conditions, choices, default='NaN')
df

我收到以下错误：

TypeError: condlist 中的无效条目 0: 应该是布尔型 ndarray

有没有办法让这个功能发挥作用？这似乎是一个很好的方法，因为在其他情况下，我可以检查三个不同的条件，以便知道要使用哪个正则表达式。

Answer 1

• 将pandas.Series.str.extract 与肯定的前瞻条件一起使用。
  • 有关lookahead 的详细说明，请参阅SO: Regex lookahead, lookbehind and atomic groups。
  • \s+pass 适用于名称和 'pass' 之间的任意数量的空格（例如 'Jon PaSs'）
• flags=re.IGNORECASE 用于忽略'pass' 的大小写
  • 可以使用df.Text.str.lower().str.extract('(\w+(?=\s+pass))') 代替为标志导入re。

import pandas as pd
import re

# test dataframe
data = {'play_id': ['1', '2', '3'], 'type': ['pass', 'pass', 'rush'], 'Text': ['Jon PASS complete to Ben.', 'Clock 14:52, Jon pass complete to Mitch.', 'Frank rush.']}
df = pd.DataFrame(data)

# display(df)
play_id type                                     Text
      1 pass                Jon PASS complete to Ben.
      2 pass Clock 14:52, Jon pass complete to Mitch.
      3 rush                              Frank rush.

# extract
df['passer'] = df.Text.str.extract('(\w+(?=\s+pass))', flags=re.IGNORECASE)

# display(df)
play_id type                                     Text passer
      1 pass                Jon PASS complete to Ben.    Jon
      2 pass Clock 14:52, Jon pass complete to Mitch.    Jon
      3 rush                              Frank rush.    NaN

Answer 2

尝试使用(?=) 积极的前瞻，zero-width assertion 的类型。因此，代码将如下所示：

df['passer'] = df['Text'].str.extract(r'(\w+)(?=\spass)', expand=False)

输出：

| play_id  | type  | Text                                     | passer |
| -------- | ----- | ---------------------------------------- | ------ |
| 1        | pass  | Jon pass complete to Ben.                | Jon    |
| 2        | pass  | Clock 14:52, Jon pass complete to Mitch. | Jon    |
| 3        | rush  | Frank rush.                              | NaN    |