如何对数据集的所有行应用正则表达式？答案

【问题标题】：How to apply regex over all the rows of a dataset?如何对数据集的所有行应用正则表达式？
【发布时间】：2021-01-25 14:26:24
【问题描述】：

我有一个数据集如下：

    data = {"C1" : ['DDDSSDSSDS','SSDDDSSDDS', 
   'DDDDDDDDDD','SSSSSSSSSS','SSSSSSSDSS','DDDDDSDDDD','SDDDDDDDDD']}
    dt = pd.DataFrame(data)
    print(dt)

对于每个字符串，我想获取每个“不间断 S 组”的第一个元素和最后一个元素的位置。例如，对于第一行，我有 'DDDSSDSSDS'（如您所见，我有三组 S）和我的这个“S 组”最喜欢的输出类似于[(3,5),(6,8),(9-10)]，它在第一行显示第一、第二和第三个“不间断 S 组”的位置。

所以输出的一个例子可以是：

           C1                         C2
0  DDDSSDSSDS       [(3, 5), (6, 8), (9-10)]
1  SSDDDSSDDS  [(0, 2), (5, 7), (9, 10)]
2  DDDDDDDDDD                         []
3  SSSSSSSSSS                  [(1, 11)]
4  SSSSSSSDSS          [(0, 7), (8, 10)]
5  DDDDDSDDDD                   [(5, 6)]
6  SDDDDDDDDD                   [(0, 1)]

我目前的解决方案是：

def split_it(mystring):
    x = re.findall('(S*)', mystring)
    if x :
      return(x)

dt['C2'] = dt['C1'].apply(split_it)
print(dt)

导致以下输出：

0  DDDSSDSSDS  [, , , SS, , SS, , S, ]
1  SSDDDSSDDS  [SS, , , , SS, , , S, ]
2  DDDDDDDDDD   [, , , , , , , , , , ]
3  SSSSSSSSSS           [SSSSSSSSSS, ]
4  SSSSSSSDSS        [SSSSSSS, , SS, ]
5  DDDDDSDDDD  [, , , , , S, , , , , ]
6  SDDDDDDDDD  [S, , , , , , , , , , ]

【问题讨论】：

到目前为止您尝试过什么？ Stack Overflow 不是代码编写服务。
看看这篇文章可能有助于解决你的问题towardsdatascience.com/…
@Marat 那么，有什么更好的回答工具呢？

标签： python regex pandas

【解决方案1】：

你可以使用

def split_it(mystring):
    return [(m.start(), m.end()) for m in re.finditer('S+', mystring)]

输出：

>>> dt['C1'].apply(split_it)
0    [(3, 5), (6, 8), (9, 10)]
1    [(0, 2), (5, 7), (9, 10)]
2                           []
3                    [(0, 10)]
4            [(0, 7), (8, 10)]
5                     [(5, 6)]
6                     [(0, 1)]
Name: C1, dtype: object

re.finditer('S+', mystring) 返回在字符串中找到的所有匹配对象，您可以通过.start() 和.end() 调用获得开始和结束位置。

请注意，您的输出中有空匹配项，因为 S* 匹配 零个或多个 S 字符，您需要使用 + 匹配 一个或多个 .

【讨论】：

【解决方案2】：

您可以使用 findall 应用正则表达式：

(
    dt
    .assign(C2= lambda x: x['C1'].str.findall('S+'))
    .assign(C2= lambda x: x.apply(lambda s: [(s[0].find(item),s[0].find(item)+len(item)) for item in s[1]] ,axis=1))
)

           C1                        C2
0  DDDSSDSSDS  [(3, 5), (3, 5), (3, 4)]
1  SSDDDSSDDS  [(0, 2), (0, 2), (0, 1)]
2  DDDDDDDDDD                        []
3  SSSSSSSSSS                 [(0, 10)]
4  SSSSSSSDSS          [(0, 7), (0, 2)]
5  DDDDDSDDDD                  [(5, 6)]
6  SDDDDDDDDD                  [(0, 1)]

【讨论】：