作者:Peter 编辑:Peter
大家好,我是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
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:
我们看看一个官网提供的简单案例,下面是模拟的数据Series:
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:
通过结果,我们可以发现2点:
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
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
在匹配的时候指定列名,生成最终的DataFrame:
列名的指定使用?P<column>
关于参数expand的使用:
通过下面两个例子的比较,我们就能够观察到expand的作用:
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:
返回值一定是一个DataFrame数据框
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:
单组模式下的匹配
多组模式下的匹配:
多组模式下的匹配,且加上列名:
下面通过一个实际的案例来讲解如何使用extract函数:
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
快速提取地址address中的省份信息,其中.*?
表示匹配任意内容
同时提取省份+城市,还可以指定列名信息:
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
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:
. | 匹配任何单个字符(字母、数字或符号) |
|
---|---|---|
? | 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 |
^ | 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 |
问号 (?) 匹配前面的字符 0 次或 1 次。例如,10? 可以匹配:
加号 (+) 匹配前面的字符 1 次或多次。例如,10+ 可以匹配:
星号 (*) 匹配前面的字符 0 次或多次。例如,10* 可以匹配:
后面写一篇详细的基于Python中的re模块的正则匹配文章,下期见~
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。