使用正则表达式拆分列答案

【问题标题】：Using regex to split a column使用正则表达式拆分列
【发布时间】：2021-04-23 06:54:20
【问题描述】：

我使用的正则表达式是\d+-\d+，但我不太确定如何分隔罗马数字以及如何使用它们创建新列。

我有这个数据集：

Date_Title                        Date                       Copies
05-21 I. Don Quixote              1605                       252
21-20 IV. Macbeth                 1629                       987
10-12 ML. To Kill a Mockingbird   1960                       478
12 V. Invisible Man               1897                       136

基本上，我想拆分“日期标题”，所以，当我打印一行时，我会得到：

('05-21 I', 'I', 'Don Quixote', 1605, 252)

或者

('10-12 ML', 'ML', 'To Kill a Mockingbird',1960, 478)

首先是数字和罗马数字，其次是；只有罗马数字，第三个是名称，第四个和第五个与数据集相同。

【问题讨论】：

到目前为止你尝试过什么？你被困在哪里了？

标签： python regex pandas

【解决方案1】：

你可以使用

df = pd.DataFrame({'Date_Title':['05-21 I. Don Quixote','21-20 IV. Macbeth','10-12 ML. To Kill a Mockingbird','12 V. Invisible Man'], 'Date':[1605,1629,1960,1897], 'Copies':[252,987,478,136]})
rx = r'^(\d+(?:-\d+)?\s*(M{0,4}(?:C[MD]|D?C{0,3})(?:X[CL]|L?X{0,3})(?:I[XV]|V?I{0,3})))\.\s*(.*)'
df[['NumRoman','Roman','Name']] = df.pop('Date_Title').str.extract(rx)
df = df[['NumRoman','Roman','Name', 'Date', 'Copies']]
>>> df
   NumRoman Roman                   Name  Date  Copies
0   05-21 I     I            Don Quixote  1605     252
1  21-20 IV    IV                Macbeth  1629     987
2  10-12 ML    ML  To Kill a Mockingbird  1960     478
3      12 V     V          Invisible Man  1897     136

请参阅regex demo。详情：

^ - 字符串开头
(\d+(?:-\d+)?\s*(M{0,4}(?:C[MD]|D?C{0,3})(?:X[CL]|L?X{0,3})(?:I[XV]|V?I{0,3}))) - 第 1 组（“NumRoman”）：
- \d+(?:-\d+)? - 一位或多位数字后跟- 和一位或多位数字的可选序列
- \s* - 零个或多个空格
- (M{0,4}(?:C[MD]|D?C{0,3})(?:X[CL]|L?X{0,3})(?:I[XV]|V?I{0,3})) - 第 2 组（“罗马”）：请参阅 How do you match only valid roman numerals with a regular expression? 了解说明
\. - 一个点
\s* - 零个或多个空格
(.*) - 第 3 组（“名称”）：除换行符之外的任何零个或多个字符，尽可能多

注意df.pop('Date_Title') 删除Date_Title 列并将其作为extract 方法的输入。如果您需要保持原始列顺序，df = df[['NumRoman','Roman','Name', 'Date', 'Copies']] 是必需的。

【讨论】：

【解决方案2】：

我很确定可能会有更优化的解决方案，但这是解决问题的快速方法：

df['Date_Title'] = df['Date_Title'].apply(lambda x: (x.split()[0],x.split()[1],' '.join(x.split()[2:])

或者：

df['Date_Title'] = (df['Date_Title'].str.split().str[0],
                    df['Date_Title'].str.split().str[1],
                    ' '.join(df['Date_Title'].str.split().str[2:])

【讨论】：

【解决方案3】：

专注于字符串拆分：

string = "21-20 IV. Macbeth"
i = string.index(".")  # Finds the first point
date, roman = string[:i].split() # 21-20, IV
title = string[i+2:]  # Macbeth

【讨论】：

【解决方案4】：

df=df.assign(x=df['Date_Title'].str.split('\.').str[0],y=df['Date_Title'].str.extract('(\w+(?=\.))'),z=df['Date_Title'].str.split('\.').str[1:].str.join(','))

【讨论】：