【发布时间】：2020-01-19 23:18:57
【问题描述】：
我希望在我拔掉所有头发之前，有比我更多知识的人提供一些智慧。
我有一个看起来像这样的数据框
Date Unit Length AM/PM unit_new
5 Monday\r13 January 12345H\rEngineering - Unit 1: Engineering Principles\r23456H\rHealth and Social Care - Unit 2: Working in Health\rand Social Care 2h 00m\r1h 30m morning
6 Tuesday\r14 January 34567H\rBusiness/Enterprise and Entrepreneurship -\rUnit 3: Personal and Business Finance\r12345L\rApplied Human Biology - Unit 1: Principles of\rHuman Biology\r23456K\rConstruction and the Built Environment -\rUnit 1: Construction Principles 2h 00m\r1h 30m\r1h 30m morning
7 Wednesday\r15 January 34567H/1C\rApplied Science/Forensic and Criminal Investigation\r- Unit 1: Principles and Applications of Science I -\rChemistry\r12345H\rSport and Exercise Science - Unit 1: Sport and Exercise\rPhysiology 0h 40m\r1h 30m morning
现在我遇到的问题是，'Unit' 列的每一行都有多条记录的数据，但是一行的记录数并不一致。 “长度”列与“单位”列具有相同的设置。 “日期”和“上午/下午”列有一个条目。
这张图片更好地解释了这个问题。第 5 行有两条记录，一条用于工程，一条用于 HSC，长度列如下。两条记录的“日期”和“上午/下午”相同。第 6 行有三个记录，第 7 行有两个。
现在我要做的是将每条记录拆分到自己的行中。在尝试这样做时，我尝试了许多不同的方法，但没有取得多大进展。
方法思路一 我的第一个想法是尝试在相关行下添加新行，并从“单位”和“长度”列中提取数据，同时从“日期”和“上午/下午”列中复制数据。这被证明是一种技巧，因为插入 df 的中间会更复杂。
方法思路二 接下来我想将行附加到 df 的底部并稍后排序。
所以我写了一个函数来计算每行的记录数并输出到一个系列。
def code_count_func():
code_count = df.Unit.str.count('\d{5}\w').subtract(+1)
# drop na's to stop error
code_count.dropna(inplace = True)
# converting to int
code_count = code_count.iloc[0:].astype(int)
下面的代码是我目前正在尝试的，它在一个名为“unit_new”的新列中拆分为一个字符串列表，但正则表达式并没有完全按照我的彩色图像捕获。
for index, row in code_count_func().iteritems():
df['unit_new'] = df.Unit.str.split('(\d{5}\w)')
第二个问题是我也不确定如何完成程序。我在考虑使用DataFrame.explode 方法，但我不确定如何在“单位”和“长度”列上使用它，但只是从“日期”和“上午/下午”列复制。
谁能给我一些关于如何使用爆炸方法或类似方法的指导。另外，如果有人能够帮助我的正则表达式，请。
关于正则表达式问题的更多信息。因此，与“单位”列中的模式一致的一件事是五位数字和一个字母，例如12345K 用于每条新记录的开头。所以看看第 5 行，我想得到这个：-
12345H\r工程学 - 第 1 单元：工程学原理\r 23456H\r健康和社会关怀 - 第 2 单元：从事健康\和社会关怀
我尝试了很多模式，但都没有成功。
所需输出
【问题讨论】：
-
想要的输出是什么样的？
标签： python regex pandas dataframe