Pandas DataFrame中动态文本拼接与正则表达式数据提取教程

在数据处理过程中，我们经常需要根据现有数据生成新的文本字段。例如，从一个包含描述性文本的列中提取特定的数字或字符串片段，然后将其与固定的文本组合，形成一个新的、格式化的文本列。pandas提供了强大的字符串操作功能，结合正则表达式，可以高效地完成这类任务。

1. 准备示例数据

首先，我们创建一个示例DataFrame，其中包含一个名为PROJEKT[BEZEICHNUNG]的列，我们将从该列中提取数字并进行拼接。

import pandas as pd

# 示例数据
data = {
    'PROJEKT[BEZEICHNUNG]': [
        'Project Alpha 8 Beta 4',
        'Task Gamma 8 Delta 5',
        'Stage Epsilon 8 Zeta 5',
        'Initiative Eta 7 Theta 4',
        'Report 9-3',
        'Another 8-4 project',
        'No numbers here' # 包含没有数字的行，用于演示异常处理
    ]
}
df = pd.DataFrame(data)

print("原始DataFrame:")
print(df)
print("-" * 40)

2. 使用 str.findall 结合 str 索引器

str.findall(pattern)方法会返回一个Series，其中每个元素是一个列表，包含所有匹配pattern的非重叠字符串。要访问这些列表中的特定元素，我们需要使用Pandas的str索引器。

原理：

1. df['列名'].str.findall(r'\d+')：这会为每一行返回一个数字字符串的列表。例如，'Project Alpha 8 Beta 4'会变成['8', '4']。
2. match.str[0]和match.str[1]：这里的.str是Pandas的字符串访问器，它允许我们对Series中的每个列表执行列表操作（如索引）。match.str[0]将获取每个列表的第一个元素，match.str[1]获取第二个。
3. .fillna('')：如果某个列表为空（即没有匹配到数字）或者索引超出范围，match.str[index]会返回NaN。为了在拼接时避免NaN导致整个结果为NaN，我们使用fillna('')将其替换为空字符串。

示例代码：

Dreamhouse AI

AI室内设计，快速重新设计你的家，虚拟布置家具

78

查看详情

# 方法一: 使用 str.findall 结合 str 索引器
print("方法一: 使用 str.findall 结合 str 索引器")

# 1. 提取所有数字序列
match_findall = df['PROJEKT[BEZEICHNUNG]'].str.findall(r'\d+')
# match_findall 的输出示例：
# 0    ['8', '4']
# 1    ['8', '5']
# ...
# 6          []  # 没有匹配到数字的行会得到空列表

# 2. 使用 .str 索引器访问每个列表中的元素，并处理NaN
df['EINGRUPPIERUNG_Method1'] = (
    'P' + match_findall.str[0].fillna('') +
    ' Stufe ' + match_findall.str[1].fillna('')
)

print(df[['PROJEKT[BEZEICHNUNG]', 'EINGRUPPIERUNG_Method1']])
print("-" * 40)

3. 利用 str.extract 进行结构化提取

str.extract(pattern, expand=True)方法是专门为从字符串中提取结构化数据而设计的。它使用正则表达式中的捕获组（括号()）来提取数据，并直接将其转换为新的DataFrame列。

原理：

1. df['列名'].str.extract(r'(\d+).*(\d+)', expand=True)：正则表达式(\d+).*(\d+)定义了两个捕获组，分别匹配第一个和第二个数字序列。expand=True（默认值）确保结果是一个DataFrame，其中每个捕获组对应一列。
2. match_extract[0]和match_extract[1]：直接引用新DataFrame的列（索引为0和1）。
3. .fillna('')：如果某行没有匹配到正则表达式，str.extract会为对应的捕获组返回NaN。同样需要使用fillna('')进行处理。

示例代码：

# 方法二: 利用 str.extract 进行结构化提取
print("方法二: 利用 str.extract 进行结构化提取")

# 1. 使用正则表达式捕获组直接提取数字
# 正则表达式中的括号 () 定义了捕获组
# expand=True 会将捕获组作为独立的列返回一个DataFrame
match_extract = df['PROJEKT[BEZEICHNUNG]'].str.extract(r'(\d+).*?(\d+)', expand=True)
# match_extract 的输出示例：
#      0    1
# 0    8    4
# 1    8    5
# ...
# 6  NaN  NaN # 没有匹配的行

# 2. 直接拼接DataFrame的列，并处理NaN
df['EINGRUPPIERUNG_Method2'] = (
    'P' + match_extract[0].fillna('') +
    ' Stufe ' + match_extract[1].fillna('')
)

print(df[['PROJEKT[BEZEICHNUNG]', 'EINGRUPPIERUNG_Method2']])
print("-" * 40)

4. 结合 str.replace 和正则表达式反向引用

str.replace(pattern, repl, regex=True)方法可以根据正则表达式pattern匹配字符串，并用repl字符串替换匹配的部分。在repl中，可以使用反向引用（\1, \2等）来引用pattern中的捕获组。

原理：

1. df['列名'].str.replace(r'.*?(\d+).*?(\d+).*', r'P\1 Stufe \2', regex=True)：
   • .*?(\d+).*?(\d+).*：这个正则表达式尝试匹配整个字符串，捕获第一个和第二个数字序列。.*?是非贪婪匹配，确保尽可能少地匹配字符。
   • r'P\1 Stufe \2'：替换字符串，其中\1引用第一个捕获组（第一个数字），\2引用第二个捕获组（第二个数字）。
2. 注意事项： 如果原始字符串不完全匹配pattern，str.replace将不会进行替换，而是保留原始字符串。这与前两种方法在处理无匹配项时的行为不同。

示例代码：

# 方法三: 结合 str.replace 和正则表达式反向引用
print("方法三: 结合 str.replace 和正则表达式反向引用")

# 使用 (.*?) 匹配任意字符，(\d+) 捕获数字
# r'P\1 Stufe \2' 中的 \1 和 \2 引用捕获组
# 注意：如果字符串不匹配整个模式，str.replace不会改变它
df['EINGRUPPIERUNG_Method3'] = df['PROJEKT[BEZEICHNUNG]'].str.replace(
    r'.*?(\d+).*?(\d+).*',
    r'P\1 Stufe \2',
    regex=True
)

# 对于不匹配的行（如'No numbers here'），str.replace会保留原始字符串。
# 如果期望不匹配的行也为空字符串，需要额外处理，例如：
df['EINGRUPPIERUNG_Method3'] = df['EINGRUPPIERUNG_Method3'].where(
    df['EINGRUPPIERUNG_Method3'].str.contains(r'P\d+ Stufe \d+', na=False), # 检查是否包含期望的模式
    '' # 不包含则设置为空字符串
)

print(df[['PROJEKT[BEZEICHNUNG]', 'EINGRUPPIERUNG_Method3']])
print("-" * 40)

5. 注意事项与最佳实践

• 处理缺失匹配 (Handling Missing Matches):
  • str.findall和str.extract在没有匹配时会产生空列表或NaN。在拼接前，务必使用.fillna('')或.apply(lambda x: x if pd.notna(x) else '')等方法处理这些值，避免最终结果出现NaN。
  • str.replace在不匹配时会保留原字符串。如果需要将不匹配的行也转换为空字符串或其他默认值，需要额外的逻辑（如上述示例中的where方法）。
• 正则表达式的精准性 (Regex Precision): 编写精确的正则表达式至关重要，它直接决定了数据提取的准确性。不当的模式可能导致提取错误或遗漏。
• 性能考量 (Performance Considerations):
  • 对于大型数据集，str.extract通常比str.findall后进行列表索引更高效，因为它直接将捕获组转换为DataFrame列，减少了中间操作。
  • str.replace在进行整串替换时也表现良好，尤其是在模式匹配和替换逻辑相对简单时。
• expand参数: 在str.extract中，expand=True（默认值）会返回一个DataFrame，而expand=False会返回一个Series of tuples。通常使用expand=True更方便后续操作。
• 错误处理 (Error Handling): 除了处理缺失匹配，还应考虑正则表达式可能因数据格式异常而产生意外结果的情况。在关键业务逻辑中，可能需要更健壮的错误捕获机制。

总结

Pandas结合正则表达式提供了多种灵活且强大的方法来处理DataFrame中的字符串数据。

• str.findall + str 索引器适用于需要提取所有匹配项，然后从列表中选择特定项的场景。
• str.extract 是进行结构化数据提取的首选，它能将捕获组直接转换为DataFrame的列，便于后续操作和拼接。
• str.replace + 反向引用适用于通过替换整个匹配模式来直接转换字符串格式的场景，但需要注意其对不匹配行的处理方式。

选择哪种方法取决于具体的业务需求、数据特性以及对性能和代码可读性的偏好。理解这些方法的内部机制和行为差异，将帮助您更高效、准确地完成Pandas中的文本数据处理任务。

以上就是Pandas DataFrame中动态文本拼接与正则表达式数据提取教程的详细内容，更多请关注php中文网其它相关文章！