从 pandas 系列中提取卷信息 - Pandas , Regex答案

【问题标题】：Extract Volume information from pandas series - Pandas , Regex从 pandas 系列中提取卷信息 - Pandas , Regex
【发布时间】：2020-07-17 08:30:50
【问题描述】：

我有一个熊猫系列，可以通过以下代码制作：

输入：

l = ['abcd 1942 Lmauu 40% 70cl',
    'something again something   1.5 L',
    'some other stuff 45% 70 CL',
    'not the exact data      3LTR',
    'abcd 100Ltud 6%(8)500ML',
    'cdef  6%(8)500 ml',
    'a packet 24 x 27.5 cl (  PET )']
ser = pd.Series(l)

问题陈述和预期输出：

我正在尝试从系列中提取卷并转换为数据框，以便卷位于数据框的 1 列中，而度量单位位于另一列中，可以使用以下代码重现预期输出：

d = {0: {0: '70',
     1: '1.5',
     2: '70',
     3: '3',
     4: '500',
     5: '500',
     6: '27.5'},
     1: {0: 'cl', 1: 'L', 2: 'CL', 3: 'LTR', 4: 'ML', 5: 'ml', 6: 'cl'}}
expected_output = pd.DataFrame(d)

      0    1
0    70   cl
1   1.5    L
2    70   CL
3     3  LTR
4   500   ML
5   500   ml
6  27.5   cl

我的试用代码

这是我尝试过的，我已经非常接近我想要的但并不完全，如果你看到我没有得到最后一卷。我想是因为我在我的正则表达式中包含了$，但没有它我无法解析这个字符串中的音量，例如abcd 1942 Lmauu 40% 70cl，1942 L 将被返回。此外，我希望仅在第二列中使用度量单位，而不是在输出中显示的第一列，但这是次要的。

print(ser.str.extract(r'((?i)([\d]+?[.])?\d+?[\s+]?(cl$|ml$|ltr$|L$)(?:$))').iloc[:,[0,-1]]) 

        0    2
0    70cl   cl
1   1.5 L    L
2   70 CL   CL
3    3LTR  LTR
4   500ML   ML
5  500 ml   ml
6     NaN  NaN

请建议我应该在这里做什么。

【问题讨论】：

标签： python regex pandas

【解决方案1】：

你可以使用

r'(?i)\b(\d+(?:\.\d+)?)\s*(cl|ml|ltr|L)\b'

请参阅regex demo。

详情

(?i) - 不区分大小写模式开启
\b - 单词边界
(\d+(?:\.\d+)?) - 捕获组 1：一个或多个数字后跟一个可选的点序列和一个或多个数字
\s* - 0+ 个空格
(cl|ml|ltr|L) - cl、ml、ltr 或 L（注意不区分大小写的匹配）
\b - 单词边界

测试：

>>> ser.str.extract(r'(?i)\b(\d+(?:\.\d+)?)\s*(cl|ml|ltr|L)\b', expand=True)
      0    1
0  70    cl 
1  1.5   L  
2  70    CL 
3  3     LTR
4  500   ML 
5  500   ml 
6  27.5  cl

【讨论】：

嗨 Wiktor，如果系列中的最后一个字符串是 24X27.5cl 并且没有空格而不是 24 X 27.5cl，那么我应该将X? 之类的东西放在哪里？
@Ritz 所以，你不想在单词边界匹配，你只需要匹配前面没有数字的匹配，使用(?i)(?<!\d)(\d+(?:\.\d+)?)\s*(cl|ml|ltr|L)\b，见demo。跨度>
你是个巫师。谢谢?

【解决方案2】：

最好使用 named 捕获组，这样结果列具有有意义的名称。

我还简化了您的正则表达式并将度量单位更改为小写。

所以把你的代码改成：

res = ser.str.extract(r'(?i)(?P<Amount>\d+(?:\.\d+)?)\s?(?P<Unit>[CM]?L|LTR)\b')
res.Unit = res.Unit.str.lower()

结果是：

  Amount Unit
0     70   cl
1    1.5    l
2     70   cl
3      3  ltr
4    500   ml
5    500   ml
6   27.5   cl

还要注意 (cl$|ml$|ltr$|L$) 中的$ 是错误的，因为至少在在一种情况下，您在测量单位之后有额外的文字。

【讨论】：