替换四位数熊猫答案

【问题标题】：replace four digits pandas替换四位数熊猫
【发布时间】：2019-08-27 19:02:00
【问题描述】：

import pandas as pd
dataframe = pd.DataFrame({'Data' : ['The **ALI**1929 for 90 days but not 77731929 ', 
                                       'For all **ALI**1952  28A 177945 ', 
                                       'But the **ALI**1914 and **ALI**1903 1912',],
                          'ID': [1,2,3]

                         })

Data    ID
0   The **ALI**1929 for 90 days but not 77731929    1
1   For all **ALI**1952 28A 177945                  2
2   But the **ALI**1914 and **ALI**1903 1912        3

我的数据框看起来像我上面的。我的目标是用与**ALI** 关联的1929 或以下的任何数字替换单词OLDER。所以**ALI**1929 将是**ALI**OLDER 和ALI**1903 也将是**ALI**OLDER 但**ALI**1952 将保持不变。来自How to extract certain length of numbers from a string in python?我试过了

dataframe['older'] = dataframe['Data'].str.replace(r'(?<!\d)(\d{3})(?!\d)', 'OLDER')

但这对我想要的效果不太好。我想要这样的输出

 Data        ID     older
0                 The ALI**OLDER for 90 days but not 77731929
1                 For all ALI**1952 28A 177945
2                 But the ALI**OLDER and ALI**OLDER 1912

如何更改我的正则表达式 str.replace(r'(?<!\d)(\d{3})(?!\d)' 来做到这一点？

【问题讨论】：

用你的正则表达式它也会匹配1912，你想要替换的数字总是在*前面吗？
是的，它们前面总是有*
检查this这是您要找的吗？
看起来完全正确

标签： regex python-3.x string pandas replace

【解决方案1】：

你可以用这个

(?<=\*)(?:0\d{3}|1[0-8]\d{2}|19[0-2]\d)(?!\d)

(?<=\*) - 前面应该有 *
(?:0\d{3}|1[0-8]\d{2}|19[0-2]\d)
- 0\d{3} - 匹配 0000 to 0999 之间的任何 4 位数字
- | - 交替
- 1[0-8]\d{2} - 匹配 1000 to 1899 之间的任何 4 位数字
- | - 交替
- 19[0-2]\d - 匹配任何 4 位数字 1900 to 1929
(?!\d) - 后面不能跟数字

Regex Demo

【讨论】：

【解决方案2】：

将str.extractall 和np.where 与str.replace 一起使用：

nums = dataframe['Data'].str.extractall('(?<=\*\*ALI\*\*)(\d+)').astype(int).unstack()

dataframe['older'] = np.where(nums.le(1929).any(axis=1), 
                              dataframe['Data'].str.replace('(?<=\*\*ALI\*\*)(\d+)', 'OLDER'), 
                              dataframe['Data'])

输出

                                            Data  ID                                           older
0  The **ALI**1929 for 90 days but not 77731929    1  The **ALI**OLDER for 90 days but not 77731929 
1               For all **ALI**1952  28A 177945    2                For all **ALI**1952  28A 177945 
2       But the **ALI**1914 and **ALI**1903 1912   3      But the **ALI**OLDER and **ALI**OLDER 1912

【讨论】：

这真的很接近。但它错过了1929

【解决方案3】：

dataframe.Data.str.replace(r"(?<=\*ALI[*]{2})1[0-9](?:(?:[0-4][0-9])|5[0-1])\b","OLDER")
Out[364]: 
0    The **ALI**OLDER for 90 days but not 77731929 
1                  For all **ALI**1952  28A 177945 
2        But the **ALI**OLDER and **ALI**OLDER 1912
Name: Data, dtype: object

(?<=\*ALI[*]{2}) 前面是`*ALI**
1[0-9]即10-19
(?: 外部非捕获组的开始
- (?:[0-4][0-9]) 即 00-49 但未捕获
- |5[01]即50-51
) 非捕获组结束
\b边界

【讨论】：

【解决方案4】：

定义一个自定义 repl 可调用并将其与 str.replace 一起使用

repl = lambda m: m.group(1) if int(m.group(1)) > 1929 else 'OLDER'
df.Data.str.replace(r'(?<=\*\*ALI\*\*)(\d+)', repl)

Out[662]:
0    The **ALI**OLDER for 90 days but not 77731929
1                  For all **ALI**1952  28A 177945
2        But the **ALI**OLDER and **ALI**OLDER 1912
Name: Data, dtype: object

【讨论】：

【解决方案5】：

正如我所见，正则表达式应该匹配 **ALI**nnnn（nnnn - 4 位数字）并且：

最初的** - 应该（总是）删除。
ALI** - 应该保持不变。
nnnn - 可以选择替换为 OLDER。

在这种情况下，不需要复杂的正则表达式。整个逻辑可以包含在“替换”函数中。

定义如下：

def repl(mtch):
    g1, g2 = mtch.group(1), mtch.group(2)
    return g1 + (g2 if int(g2) > 1929 else 'OLDER')

然后在这个函数中使用str.replace：

df.Data = df.Data.str.replace(r'\*\*(ALI\*\*)(\d{4})(?!\d)', repl)

请注意，我还更改了正则表达式，定义了 2 个捕获组。

【讨论】：