使用正则表达式从 pandas 数据框中提取元素

Question

来自以下数据框：

d = {'col1':['a-1524112-124', 'b-1515', 'c-584854', 'a-15154']}

df = pd.DataFrame.from_dict(d)

我的最终目标是提取熊猫系列中的字母 a、b 或 c（作为字符串）。为此，我使用了re 模块中的.findall() 方法，如下所示：

# import the module
import re
# define the patterns
pat = 'a|b|c'

# extract the patterns from the elements in the specified column
df['col1'].str.findall(pat)

问题是输出，即每行中的字母 a、b 或 c，将出现在 list（单个元素）中，如下所示：

Out[301]: 
0    [a]
1    [b]
2    [c]
3    [a]

虽然我希望将字母 a、b 或 c 作为字符串，如下所示：

0    a
1    b
2    c
3    a

我知道如果我将re.search() 与.group() 结合起来，我可以得到一个字符串，但如果我这样做了：

df['col1'].str.search(pat).group()

我将收到以下错误消息：

AttributeError: 'StringMethods' object has no attribute 'search'

使用.str.split() 不会完成这项工作，因为在我的原始数据帧中，我想捕获可能包含分隔符的字符串（例如，我可能想捕获a-b）

有没有人知道一个简单的解决方案，也许可以避免迭代操作，例如 for 循环或列表理解？

Answer 1

将extract 与捕获组一起使用：

import pandas as pd

d = {'col1':['a-1524112-124', 'b-1515', 'c-584854', 'a-15154']}

df = pd.DataFrame.from_dict(d)

result = df['col1'].str.extract('(a|b|c)')

print(result)

输出

   0
0  a
1  b
2  c
3  a

Answer 2

修复你的代码

pat = 'a|b|c'
df['col1'].str.findall(pat).str[0]
Out[309]: 
0    a
1    b
2    c
3    a
Name: col1, dtype: object

Answer 3

只需像这样尝试str.split() - df["col1"].str.split("-", n = 1, expand = True)

import pandas as pd
d = {'col1':['a-1524112-124', 'b-1515', 'c-584854', 'a-15154']}
df = pd.DataFrame.from_dict(d)
df['col1'] = df["col1"].str.split("-", n = 1, expand = True) 
print(df.head())

输出：

  col1
0    a
1    b
2    c
3    a