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：
- 当匹配多组规则的时候，如果没有匹配成功，则用NaN来代替
- 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<column>
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 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 (?)
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~
网友评论