在pandas DataFrame中使用regex将一个字符串分割成若干列

给出一些包含多个值的字符串的混合数据，让我们看看如何使用regex划分字符串，并在Pandas DataFrame中制作多个列。

方法1

在这个方法中，我们将使用re.search(pattern, string, flags=0) 。这里pattern指的是我们要搜索的模式。它接收了一个有以下值的字符串。

• \匹配字母数字字符
• \d匹配数字，也就是0-9
• \匹配空白字符
• \匹配非空白字符
• 匹配任何字符，除了换行字符 （n）。
• 匹配一个模式的0个或多个实例

# import the regex library
import pandas as pd
import re
  
# Create a list with all the strings
movie_data = ["Name: The_Godfather Year: 1972 Rating: 9.2",
            "Name: Bird_Box Year: 2018 Rating: 6.8",
            "Name: Fight_Club Year: 1999 Rating: 8.8"]
  
# Create a dictionary with the required columns 
# Used later to convert to DataFrame
movies = {"Name":[], "Year":[], "Rating":[]}
  
for item in movie_data:
      
    # For Name field
    name_field = re.search("Name: .*",item)
      
    if name_field is not None:
        name = re.search('\w*\s\w*',name_field.group())
    else:
        name = None
    movies["Name"].append(name.group())
      
    # For Year field
    year_field = re.search("Year: .*",item)
    if year_field is not None:
        year = re.search('\s\d\d\d\d',year_field.group())
    else:
        year = None
    movies["Year"].append(year.group().strip())
      
    # For rating field
    rating_field = re.search("Rating: .*",item)
    if rating_field is not None: 
        rating = re.search('\s\d.\d',rating_field.group())
    else: 
        rating - None
    movies["Rating"].append(rating.group().strip())
  
# Creating DataFrame
df = pd.DataFrame(movies)
print(df)

输出:

解释:

• 在上面的代码中，我们使用for循环来迭代电影数据，这样我们可以依次处理每部电影。我们创建了一个字典，movies，它将保存每个细节的所有细节，如评级和名称。
• 然后我们使用re.search()函数找到整个Name字段。.表示除n以外的任何字符，而*则将其延伸到行尾。将其分配给变量name_field 。
• 但是，数据并不总是简单明了的。它可能包含意外的情况。例如，如果没有Name: 字段怎么办？脚本会抛出一个错误并中断。我们在这种情况下预先阻止错误的发生，并检查非无的情况。
• 我们再次使用re.search()函数从name_field中提取最终需要的字符串。对于这个名字，我们用 \w* 表示第一个词， \s 表示中间的空格， \w* 表示第二个词。
• 对年份和等级做同样的处理，得到最后所需的字典。

方法2

为了分解字符串，我们将使用Series.str.extract(pat, flags=0, expand=True) 函数。这里pat指的是我们要搜索的模式。

import pandas as pd
  
dict = {'movie_data':['The Godfather 1972 9.2',
                    'Bird Box 2018 6.8',
                    'Fight Club 1999 8.8'] }
  
# Convert the dictionary to a dataframe
df = pd.DataFrame(dict)
  
# Extract name from the string 
df['Name'] = df['movie_data'].str.extract('(\w*\s\w*)', expand=True)
   
# Extract year from the string 
df['Year'] = df['movie_data'].str.extract('(\d\d\d\d)', expand=True)
  
# Extract rating from the string 
df['Rating'] = df['movie_data'].str.extract('(\d\.\d)', expand=True)
print(df)

输出: