在Python中拆分和提取后会丢失字符串行
在Python中拆分和提取后会丢失字符串行
提问于 2019-05-13 14:24:26
对于如下的dict格式：
data = {'log_id': 8972641530831729293, 'words_result_num': 20, 'words_result': [{'words': '05B01企商联登记注册代理事务所(通合伙)'}, {'words': 'Unit-D 608华夏启商(企业管理有限公司)'}, {'words': '中睿智诚商业管理有限公司'}, {'words': '17/F(1706)美泰德商务咨询有限公司'}, {'words': 'A2006~A2007新曙光会计服务有限公司'}, {'words': '2906-10建筑与室内设计师网'}, {'words': '中建瑞达'}]}我想从words中提取字符串左侧的数字、字母或标点符号作为office_name列，其余的作为company_name列。
一般来说，我可以得到我想要的东西，但是当words没有数字、字母或标点符号时，在拆分和提取之后，这些行将丢失并变成NaNs。
df = DataFrame(data)
cols_to_drop = ['log_id', 'words_result_num']
df = df[df.columns.drop(cols_to_drop)]
df['words_result'] = df['words_result'].astype(str)
df['words_result'] = df['words_result'].map(lambda x: x.lstrip("{").rstrip("}"))
df['company_info'] = df['words_result'].str.split(': ').str[1]
df['company_info'] = df['company_info'].map(lambda x: x.lstrip("' ").rstrip("'"))
pat = r'([\x00-\x7F]+)([\u4e00-\u9fff]+.*$)'
#pat = r'(^(\d+))(\s+([^\u4e00-\u9fff]+).*$)'
df[['office_name','company_name']] = df.pop('company_info').str.extract(pat)
del df['words_result']
print(df)输出：
office_name company_name
0 05B01 企商联登记注册代理事务所(通合伙)
1 Unit-D 608 华夏启商(企业管理有限公司)
2 NaN NaN
3 17/F(1706) 美泰德商务咨询有限公司
4 A2006~A2007 新曙光会计服务有限公司
5 2906-10 建筑与室内设计师网
6 NaN NaN如何才能得到以下预期结果？非常感谢你的帮助。
office_name company_name
0 05B01 企商联登记注册代理事务所(通合伙)
1 Unit-D 608 华夏启商(企业管理有限公司)
2 NaN 中睿智诚商业管理有限公司
3 17/F(1706) 美泰德商务咨询有限公司
4 A2006~A2007 新曙光会计服务有限公司
5 2906-10 建筑与室内设计师网
6 NaN 中建瑞达回答 2
Stack Overflow用户
回答已采纳
发布于 2019-05-13 16:32:01
想法是用fillna的原始值替换缺少的值
cols_to_drop = ['log_id', 'words_result_num']
df = df[df.columns.drop(cols_to_drop)]
s = df.pop('words_result').apply(lambda x: x['words'])
pat = r'([\x00-\x7F]+)([\u4e00-\u9fff]+.*$)'
#pat = r'(^(\d+))(\s+([^\u4e00-\u9fff]+).*$)'
df[['office_name','company_name']] = s.str.extract(pat)
df['company_name'] = df['company_name'] .fillna(s)
print(df)
office_name company_name
0 05B01 企商联登记注册代理事务所(通合伙)
1 Unit-D 608 华夏启商(企业管理有限公司)
2 NaN 中睿智诚商业管理有限公司
3 17/F(1706) 美泰德商务咨询有限公司
4 A2006~A2007 新曙光会计服务有限公司
5 2906-10 建筑与室内设计师网
6 NaN 中建瑞达您的解决方案应该更改：
cols_to_drop = ['log_id', 'words_result_num']
df = df[df.columns.drop(cols_to_drop)]
df['words_result'] = df['words_result'].astype(str)
df['words_result'] = df['words_result'].map(lambda x: x.lstrip("{").rstrip("}"))
s = df['words_result'].str.split(': ').str[1]
s = s.map(lambda x: x.lstrip("' ").rstrip("'"))
#s = df['company_info']
pat = r'([\x00-\x7F]+)([\u4e00-\u9fff]+.*$)'
#pat = r'(^(\d+))(\s+([^\u4e00-\u9fff]+).*$)'
df[['office_name','company_name']] = s.str.extract(pat)
del df['words_result']
df['company_name'] = df['company_name'] .fillna(s)
print(df)
office_name company_name
0 05B01 企商联登记注册代理事务所(通合伙)
1 Unit-D 608 华夏启商(企业管理有限公司)
2 NaN 中睿智诚商业管理有限公司
3 17/F(1706) 美泰德商务咨询有限公司
4 A2006~A2007 新曙光会计服务有限公司
5 2906-10 建筑与室内设计师网
6 NaN 中建瑞达Stack Overflow用户
发布于 2019-05-13 16:37:34
您应该添加?来支持包含可选组的模式。
df = pd.DataFrame(data)
df = df.apply(lambda x:x.words_result['words'],axis=1).to_frame(name='words_result')
# df = df.pop('words_result').str.extract(r'(?P<office_name>[\x00-\x7F]+)?(?P<company_name>[\u4e00-\u9fff]+.*$)')
df[['office_name','company_name']] = df.pop('words_result').str.extract(r'([\x00-\x7F]+)?([\u4e00-\u9fff]+.*$)')
print(df)
office_name company_name
0 05B01 企商联登记注册代理事务所(通合伙)
1 Unit-D 608 华夏启商(企业管理有限公司)
2 NaN 中睿智诚商业管理有限公司
3 17/F(1706) 美泰德商务咨询有限公司
4 A2006~A2007 新曙光会计服务有限公司
5 2906-10 建筑与室内设计师网
6 NaN 中建瑞达页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/56106753
复制相关文章
相似问题
腾讯云开发者
