更改数据框列中 space 之后的最后一个字

Question

我正在处理一个包含计算机名称的数据框，我正在尝试匿名化计算机名称。这是数据框的示例，我正在使用

df = pd.DataFrame({'id': [1, 2, 3, 4, 5], 'computer_name': [u'LENOVO 09 X32H0GB', u'LENOVO vmhsbpmh613.xyz.biz', u'Dell Inc. PowerEdge R910 XKF2S75', u'HP  ppesfesxb203.corp.123.com', 'IBM SoftLayer 13 L89P4567']})

这是匿名化所需要的。

从 RIGHT 中第一个 SPACE 之后选择 RIGHT 中的第一组字符串 .. 例如：对于“LENOVO vmhsbpmh613.xyz.biz”，它将是“vmhsbpmh613.xyz.biz”
从右侧获取第一组字符串后，例如“vmhsbpmh613.xyz.biz”，删除第一个点 (.) 中的所有字符，这将给出“vmhsbpmh613”，如果有没有点 (.) 然后仅保留最后一组字符串，请注意仅从右侧的第一组字符串中删除点 (.) 之后的字符串很重要，否则就像本例中的“Dell Inc. PowerEdge R910 XKF2S75 " 这将导致删除点后的所有内容 " Dell Inc. "
最后将前3个字符替换为xxx，如xxxsbpmh613

输出应该是这样的

df = pd.DataFrame({'id': [1, 2, 3, 4, 5], 'computer_name': [u'LENOVO 09 xxxH0GB', u'LENOVO xxxsbpmh613', u'Dell Inc. PowerEdge R910 xxx2S75', u'HP  xxxsfesxb203', 'IBM SoftLayer 13 xxxP4567']})

我希望，我能够清楚地表达需求，谢谢。

Answer 1

这听起来像是正则表达式的工作。这里有一些选项：

# select all chars until reaching a period
df['computer_name'].str.extract('([^.]*)')

# alternatively, replace all chars after a period with an empty string (delete it)
df['computer_name'].str.replace('\..*','')

# For your 3rd requirement, select all non space chars at the end of a string and format the result using match groups.
df['computer_name'].str.replace('([^\s]{3})([^\s]*$)', r'xxx',)

Answer 2

第一个 rsplit() 拆分在第一个 space 从右边：

s = df.computer_name.str.rsplit(n=1, expand=True)

#                           0                          1
# 0                 LENOVO 09                    X32H0GB
# 1                    LENOVO        vmhsbpmh613.xyz.biz
# 2  Dell Inc. PowerEdge R910                    XKF2S75
# 3                       HP   ppesfesxb203.corp.123.com
# 4          IBM SoftLayer 13                   L89P4567

然后 split() on the first dot and replace() 前 3 个字符 xxx:

s[1] = s[1].str.split('.', n=1).str[0].replace(r'^...', 'xxx', regex=True)

#                           0             1
# 0                 LENOVO 09       xxxH0GB
# 1                    LENOVO   xxxsbpmh613
# 2  Dell Inc. PowerEdge R910       xxx2S75
# 3                       HP   xxxsfesxb203
# 4          IBM SoftLayer 13      xxxP4567

并通过重新组合拆分来完成：

df.computer_name = s[0] + ' ' + s[1]

#    id                     computer_name
# 0   1                 LENOVO 09 xxxH0GB
# 1   2                LENOVO xxxsbpmh613
# 2   3  Dell Inc. PowerEdge R910 xxx2S75
# 3   4                  HP  xxxsfesxb203
# 4   5         IBM SoftLayer 13 xxxP4567

Answer 3

`Series.str.replace`

df['computer_name'].str.replace(r'\S{3}(\S+?)(?:\.\S+|$)', r'xxx')

0                   LENOVO 09 xxxH0GB
1                  LENOVO xxxsbpmh613
2    Dell Inc. PowerEdge R910 xxx2S75
3                    HP  xxxsfesxb203
4           IBM SoftLayer 13 xxxP4567
Name: computer_name, dtype: object

正则表达式详细信息

\S{3} ：匹配任何非空白字符 3 次。
(\S+?) ：捕获组匹配任何非空白字符 1 到无限次，但次数尽可能少（惰性匹配）
(?: : 非捕获组的开始
\. : 匹配 . 个字符
\S+ : 计算任何非空白字符
$ ：断言位置在行尾
) : 非捕获组结束

见regex demo

更改数据框列中 space 之后的最后一个字

Change last word after space in a dafaframe column

python

pandas

python-re

`Series.str.replace`