从熊猫数据框中的列中删除特定单词的最佳方法？

Question

我正在处理大量无法在 excel 中处理的数据，因此我使用的是 Pandas/Python，但我对它比较陌生。我有这列书名，其中还包括书名前后的流派。我只希望该列包含书名，那么删除流派的最简单方法是什么？

以下是该列包含的示例：

Book Labels
Science Fiction | Drama | Dune
Thriller | Mystery | The Day I Died
Thriller | Razorblade Tears | Family | Drama
Comedy | How To Marry Keanu Reeves In 90 Days | Drama
...

所以在上面，书名是沙丘、我死去的那一天、剃刀之泪和如何在 90 天内嫁给基努·里维斯，但正如你所看到的，这些类型在标题之前和之后。

我在想我可以创建一个所有类型的列表（因为只有这么多），然后将它们与“|”一起从列中删除字符，但如果有人对删除流派和“|”的更简单方法有建议关键，请帮帮我。

Answer 1

这是对@tdy Regex 解决方案的增强。原始的正则表达式Family|Drama 将匹配字符串中的单词“Family”和“Drama”。如果书名中包含gernes 中的字词，这些字词也会被删除。

假设标签用“|”隔开，我们要去掉三个匹配条件。

1. Gerne 在字符串的开头。例如Drama | ...
2. Gerne 在中间。例如... | Drama | ...
3. Gerne 在字符串的末尾。例如... | Drama

使用正则表达式(^|\| )(?:Family|Drama)(?=( \||$)) 匹配三个条件之一。注意| Drama | Family有2个重叠匹配，这里我使用?=( \||$)来避免只匹配一次。有关详细信息，请参阅此问题[Use regular expressions to replace overlapping subpatterns]。

>>> genres = ["Family", "Drama"]

>>> df

#                       Book Labels
# 0      Drama | Drama 123 | Family
# 1      Drama 123 | Drama | Family
# 2      Drama | Family | Drama 123
# 3  123 Drama 123 | Family | Drama
# 4      Drama | Family | 123 Drama

>>> re_str = "(^|\| )(?:{})(?=( \||$))".format("|".join(genres))

>>> df['Book Labels'] = df['Book Labels'].str.replace(re_str, "", regex=True)

# 0       | Drama 123
# 1        Drama 123
# 2        | Drama 123
# 3    123 Drama 123
# 4        | 123 Drama

>>> df["Book Labels"] = df["Book Labels"].str.strip("| ")

# 0        Drama 123
# 1        Drama 123
# 2        Drama 123
# 3    123 Drama 123
# 4        123 Drama

Answer 2

由于您的示例显示标题的位置不一致，我会同意您的想法：

创建所有类型的列表（因为只有这么多），然后将它们与“|”一起从列中删除字符

使用Series.replace 删除流派，使用Series.str.strip 删除分隔符：

genres = ['Science Fiction', 'Drama', 'Thriller', 'Mystery', 'Family', 'Comedy']
df['Book Labels'] = df['Book Labels'].replace('|'.join(genres), '', regex=True).str.strip('| ')

#                             Book Labels
# 0                                  Dune
# 1                        The Day I Died
# 2                      Razorblade Tears
# 3  How To Marry Keanu Reeves In 90 Days

---

如果标题始终位于一致的位置，例如列表中的第 3 位，则我们不需要类型列表。我们可以使用Series.str.split 和expand=True 并获得第三列（索引2）：

# only works if the title is always in position 3 (index 2)
index = 2
df['Book Labels'] = df['Book Labels'].str.split('|', expand=True)[index]