正则表达式在 Pythex.com 中有效，但在 pandas 中无效

Question

我在将正则表达式函数应用于 python 数据框中的列时遇到问题。它在 Pythex 在线编辑器中运行良好。

这是我的数据框的头部 -

ID	Text
1	UMM SURE THE ADDRESS IS IN 25088 KITTAN DRIVE NORTH CAROLINA 28605
2	IT IS ON 26 W STREET 7TH HIGHWAY ORLANDO FLORIDA 28262
3	COOL 757979 EAST TYRON BLVD NEW YORK NEW YORK 29875

我已尝试使用以下代码创建另一列，该列仅提供地址。但新列显示为空。

df['Address']=df['Text'].str.findall('[0-9]{2,6}(?:\s+\S+){3,8}\s{1,}\b(?:FLORIDA|NORTH CAROLINA|NEW YORK)\b')

所需的输出应如下所示 -

ID	Text	Address
1	UMM SURE THE ADDRESS IS IN 25088 KITTAN DRIVE NORTH CAROLINA 28605	25088 KITTAN DRIVE NORTH CAROLINA
2	IT IS ON 26 W STREET 7TH HIGHWAY ORLANDO FLORIDA 28262	26 W STREET 7TH HIGHWAY ORLANDO FLORIDA
3	COOL 757979 EAST TYRON BLVD NEW YORK NEW YORK 29875	757979 EAST TYRON BLVD NEW YORK NEW YORK

提前致谢。

Answer 1

您可以使用模式从文本列中提取所需的值：

\b([0-9]{2,6}\b.*?(?:FLORIDA|NORTH CAROLINA|NEW YORK)) \d

模式匹配：

• \b防止部分单词匹配的单词边界
• ( 捕获第 1 组
  • [0-9]{2,6}\b 匹配 2-6 位数字，后跟单词边界
  • .*?(?:FLORIDA|NORTH CAROLINA|NEW YORK) 匹配尽可能少的字符，直到您可以匹配其中一个选项
• ) \d关闭第1组，并匹配一个空格和一个数字

查看regex demo。

例如

import pandas as pd

items = [
    [1, "UMM SURE THE ADDRESS IS IN 25088 KITTAN DRIVE NORTH CAROLINA 28605"],
    [2, "IT IS ON 26 W STREET 7TH HIGHWAY ORLANDO FLORIDA 28262"],
    [3, "COOL 757979 EAST TYRON BLVD NEW YORK NEW YORK 29875"]
]

df = pd.DataFrame(items, columns=["ID", "Text"])
df["Address"] = df["Text"].str.extract(
    r'\b([0-9]{2,6}\b.*?(?:FLORIDA|NORTH CAROLINA|NEW YORK)) \d'
)
print(df)

输出

   ID                                               Text                                   Address
0   1  UMM SURE THE ADDRESS IS IN 25088 KITTAN DRIVE ...         25088 KITTAN DRIVE NORTH CAROLINA
1   2  IT IS ON 26 W STREET 7TH HIGHWAY ORLANDO FLORI...   26 W STREET 7TH HIGHWAY ORLANDO FLORIDA
2   3  COOL 757979 EAST TYRON BLVD NEW YORK NEW YORK ...  757979 EAST TYRON BLVD NEW YORK NEW YORK

Answer 2

如果你的文本数据是这种模式的例子，你可以试试下面的代码：

df['Address']=df['Text'].str.findall(r'[0-9]{2,6}(.*?)(?:\d+$)')