Pandas文本处理高阶函数extract + extractall

公众号:尤而小屋
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

image

extract函数

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

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:

image

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
image

通过结果,我们可以发现2点:

  1. 当匹配多组规则的时候,如果没有匹配成功,则用NaN来代替
  2. 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

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

image

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

匹配3

在匹配的时候指定列名,生成最终的DataFrame:

image

列名的指定使用?P

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:

image

extractall函数

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

模拟数据

下面是模拟了一份新的数据:

image

下面通过3个例子来对比两个函数的区别:

对比1

单组模式下的匹配

image

对比2

多组模式下的匹配:

image

对比3

多组模式下的匹配,且加上列名:

image

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:

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
image

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

image

提取省份+城市

同时提取省份+城市,还可以指定列名信息:

image

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

image

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:

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

定位符

^ 匹配位于字符串开头的相邻字符 ^10 可以匹配 10100、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 (?)

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

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

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

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~

你可能感兴趣的:(Pandas文本处理高阶函数extract + extractall)