熊猫，删除最后一个'_'之后的所有内容答案

【问题标题】：Pandas, remove everything after last '_'熊猫，删除最后一个'_'之后的所有内容
【发布时间】：2020-03-03 10:39:11
【问题描述】：

我的专栏中有以下类型的字符串，如下所示。我想解析每个字符串的最后一个 _ 之后的所有内容，如果没有 _ 则保留字符串原样。（因为我下面的尝试只会排除没有_ 的字符串）

到目前为止，我已经在下面尝试过，在这里看到：Python pandas: remove everything after a delimiter in a string。但它只是在第一个 _ 之后解析所有内容

d6['SOURCE_NAME'] = d6['SOURCE_NAME'].str.split('_').str[0]

以下是我的 SOURCE_NAME 列中的一些示例字符串。

Stackoverflow_1234
Stack_Over_Flow_1234
Stackoverflow
Stack_Overflow_1234

预期：

Stackoverflow
Stack_Over_Flow
Stackoverflow
Stack_Overflow

任何帮助将不胜感激。

【问题讨论】：

标签： python pandas

【解决方案1】：

结合使用str.rsplit 和str.get 以获得您想要的结果。 str.rsplit 只是从末尾拆分字符串，而 str.get 获取 pd.Series 对象中迭代器的第 n 个元素。

回答

d6['SOURCE_NAME'] = df['SOURCE_NAME'].str.rsplit('_', n=1).str.get(0)

rsplit 中的 n 参数限制了输出中的拆分次数，因此您只保留最后一个“_”之前的所有内容。

尽管使用pd.Series.apply 的解决方案几乎快了一半，但我喜欢这个解决方案，因为它的语法更具表现力。如果你想使用pd.Series.apply解决方案（更快）检查计时部分！

pandas documentation.

示例

strs = ['Stackoverflow_1234',
        'Stack_Over_Flow_1234',
        'Stackoverflow',
        'Stack_Overflow_1234']
df = pd.DataFrame(data={'SOURCE_NAME': strs})

这会导致

print(df)
            SOURCE_NAME
0    Stackoverflow_1234
1  Stack_Over_Flow_1234
2         Stackoverflow
3   Stack_Overflow_1234

使用建议的解决方案：

df['SOURCE_NAME'].str.rsplit('_', 1).str.get(0)

0      Stackoverflow
1    Stack_Over_Flow
2      Stackoverflow
3     Stack_Overflow
Name: SOURCE_NAME, dtype: object

时间

有趣的是，使用pd.Series.str 不一定比使用pd.Series.apply 快：

import pandas as pd

df = pd.DataFrame(data={'SOURCE_NAME': ['stackoverflow_1234_abcd'] * 1000})

%timeit df['SOURCE_NAME'].apply(lambda x: x.rsplit('_', 1)[0])
497 µs ± 30.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%timeit df['SOURCE_NAME'].str.rsplit('_', n=1).str.get(0)
1.04 ms ± 4.27 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

# increasing the number of rows x 100
df = pd.concat([df] * 100)

%timeit df['SOURCE_NAME'].apply(lambda x: x.rsplit('_', 1)[0])
31.7 ms ± 1.5 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

%timeit df['SOURCE_NAME'].str.rsplit('_', n=1).str.get(0)
84.1 ms ± 6.88 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

【讨论】：

嗨@excelguy。 n=1 是 pd.Series.str.rsplit 方法的一个参数，它在原版 Python 上的对应物是 str.rsplit，原版参数是 maxsplit=1。这些参数只是限制拆分的数量，从右侧。请注意，这些参数的默认值为-1，这意味着不限制拆分的数量。如果我说pd.Series.str.rsplit(sep='_', n=1) 我是说，在'' 上拆分并在它从右侧找到的第一个'' 上拆分。打开终端并尝试'x_k_c_d'.rsplit(sep='_', maxsplits=1)。为maxplits尝试不同的值

【解决方案2】：

您可以尝试这样应用 lambda：

d6['SOURCE_NAME'] = df['SOURCE_NAME'].apply(lambda x: x.split('_')[0])

希望有帮助！

【讨论】：

【解决方案3】：

使用 rsplit() 返回您想要实现的目标，您可以告诉它拆分字符串的次数。

s = "Stack_Over_Flow_1234"
s.rsplit('_', 1)[0] # Split my string one time and get the first part of it

然后返回'Stack_Over_Flow'

【讨论】：

【解决方案4】：

您可以使用 string.split('_') 函数将字符串拆分为围绕每个下划线的子字符串列表，然后在没有最后一个元素的情况下重新组合它们。这是使用您的示例的 sn-p：

a = ["Stackoverflow_1234", "Stack_Over_Flow_1234", "Stackoverflow", "Stack_Overflow_1234"]

for e in a:

    # Split the string into a list, separated at '_'
    splitStr = e.split("_")

    # If there is only 1 element, we can use it directly
    if len(splitStr) == 1:
        print(splitStr[0])

    # Slice off the final substring and join the remaining 
    # substrings back together with underscores
    else:
        print("_".join(splitStr[:-1]))

【讨论】：