Pandas文本处理双雄extract+extractall
公众号:尤而小屋
作者:Peter
编辑:Peter
今天给大家介绍两个Pandas中处理文本数据的函数,主要功能是从文本内容中提取想要的信息:extract + extractall
建议:如果你有点正则匹配的基本知识,食用本文更香~
一、extract函数
1.1语法说明
extract函数的具体使用形式如下,只有3个参数:
Series.str.extract(pat, flags=0, expand=None)
参数的具体解释为:
pat:字符串或者正则表达式 flags:整型 expand:布尔值,是否返回DataFrame;T-是,F-否
1.2模拟数据
我们看看一个官网提供的简单案例,下面是模拟的数据Series:
1.3匹配1
在下面的例子中,匹配了两组模式的数据;一对()
表示匹配一组:
[ab]:表示从ab字母中任意匹配一个 \d:表示匹配一个数字
通过结果,我们可以发现2点:
当匹配多组规则的时候,如果没有匹配成功,则用NaN来代替 当第一组模式没有匹配成功的时候,第二组匹配无效
关于第2点:在c3
中虽然后面的\d
匹配到了数字,但是前面的[ab]
是没有匹配成功的,c
不满足ab中的任意一个,所以最终整体还是NaN
1.4匹配2
下面的匹配和上面的区别在于多个了问号?
,结果却不同
在进行正则匹配的时候,问号?
表示匹配前面元素的1个或者0个。所以在c3
中,[ab]
可以说是匹配到了0个,用NaN代替,也是匹配成功
1.5匹配3
在匹配的时候指定列名,生成最终的DataFrame:
列名的指定使用?P
1.6参数expand使用
关于参数expand的使用:
expand = True:返回的是DataFrame expand = False:返回的是Series或者Index
通过下面两个例子的比较,我们就能够观察到expand的作用:
二、extractall函数
2.1语法说明
extract只返回第一个匹配到的字符;extractall将匹配所有返回的字符
Series.str.extractall(pat, flags=0)
参数的具体解释为:
pat:字符串或者正则表达式 flags:整型
返回值一定是一个DataFrame数据框
2.2模拟数据
下面是模拟了一份新的数据:
下面通过3个例子来对比两个函数的区别:
2.3对比1
单组模式下的匹配
2.4对比2
多组模式下的匹配:
2.5对比3
多组模式下的匹配,且加上列名:
三、实战案例
下面通过一个实际的案例来讲解如何使用extract函数:
3.1模拟数据
name字段中其实是同时包含了姓名和性别两个信息,address字段中同时包含了省份和城市:
df = pd.DataFrame({
"name":["Tom-male","Peter male","Jimmy-female","Mike male","John-female"],
"address":["广东省深圳市","广东省广州市","浙江省杭州市","江苏省南京市","湖南省长沙市"]}
)
df
3.2提取省份
快速提取地址address中的省份信息,其中.*?
表示匹配任意内容
3.3提取省份+城市
同时提取省份+城市,还可以指定列名信息:
3.4提取名字+性别
从字段name中将姓名和性别同时提取出来,\w
表示匹配一个字母,+
表示匹配多个字符
四、正则匹配小知识
在这里简单介绍一点关于正则匹配的小知识,下面内容来自谷歌分析:
4.1通配符
. | 匹配任何单个字符(字母、数字或符号) | 1. 可以匹配 10、1A 1.1 可以匹配 111、1A1 |
---|---|---|
? | 匹配前面的字符 0 次或 1 次 | 10? 可以匹配 1、10 |
+ | 匹配前面的字符 1 次或多次 | 10+ 可以匹配 10、100 |
* | 匹配前面的字符 0 次或多次 | 1* 可以匹配 1、10 |
| | 创建 OR(或)匹配 请勿在表达式末尾使用 | 1|10 可以匹配 1、10 |
4.2定位符
^ | 匹配位于字符串开头的相邻字符 | ^10 可以匹配 10、100、10x ;无法匹配 110、110x |
---|---|---|
$ | 匹配位于字符串结尾的相邻字符 | 10$ 可以匹配 110、1010 ;无法匹配 100、10x |
4.3问号 (?)
问号 (?) 匹配前面的字符 0 次或 1 次。例如,10? 可以匹配:
1 :问号前面的0匹配了0次 10 :问号前面的0匹配了1次
4.4加号 (+)
加号 (+) 匹配前面的字符 1 次或多次。例如,10+ 可以匹配:
10 :0匹配一次 100 :0匹配两次 1000 :0匹配三次
4.5星号 (*)
星号 (*) 匹配前面的字符 0 次或多次。例如,10* 可以匹配:
1 :前面的0匹配0次 10 :匹配1次 100 1000
往期精彩回顾
适合初学者入门人工智能的路线及资料下载 (图文+视频)机器学习入门系列下载 中国大学慕课《机器学习》(黄海广主讲) 机器学习及深度学习笔记等资料打印 《统计学习方法》的代码复现专辑 AI基础下载 机器学习交流qq群955171419,加入微信群请扫码: