如何使用 extract 从 pandas 数据帧中提取大写字母和一些子字符串？

Question

这个问题是上一个问题的后续问题。

我没有改旧问题，而是决定问新问题。

我的目标是从名为 item 的列中提取聚合方法 agg 和特征名称 feat。

这里是问题：


import numpy as np
import pandas as pd


df = pd.DataFrame({'item': ['num','bool', 'cat', 'cat.COUNT(example)','cat.N_MOST_COMMON(example.ord)[2]','cat.FIRST(example.ord)','cat.FIRST(example.num)']})


regexp = (r'(?P<agg>) '     # agg is the word in uppercase (all other substring is lowercased)
         r'(?P<feat>), '   # 1. if there is no uppercase, whole string is feat
                           # 2. if there is uppercase the substring after example. is feat
                           # e.g. cat ==> cat
                           # cat.N_MOST_COMMON(example.ord)[2] ==> ord
                  
        )

df[['agg','feat']] = df.col.str.extract(regexp,expand=True)

# I am not sure how to build up regexp here.


print(df)

"""
Required output


                                item   agg               feat
0                                num                     num
1                               bool                     bool
2                                cat                     cat
3                 cat.COUNT(example)   COUNT                           # note: here feat is empty
4  cat.N_MOST_COMMON(example.ord)[2]   N_MOST_COMMON     ord
5             cat.FIRST(example.ord)   FIRST             ord
6             cat.FIRST(example.num)   FIRST             num
""";

Answer 1

对于 feat，因为您已经在其他 Whosebug 问题中得到了 agg 的答案，我认为您可以使用以下内容根据分开的两个不同模式提取两个不同的系列与 | 然后 fillna() 一个系列与另一个系列。

^([^A-Z]*$) 如果完整的字符串是小写的
[^a-z].*example\.([a-z]+)\).*$ 仅应在 example. 之后和 ) 之前的 return 个字符串，前提是 example.[=35= 之前的字符串中存在大写字母]

df = pd.DataFrame({'item': ['num','bool', 'cat', 'cat.COUNT(example)','cat.N_MOST_COMMON(example.ord)[2]','cat.FIRST(example.ord)','cat.FIRST(example.num)']})

s = df['item'].str.extract('^([^A-Z]*$)|[^a-z].*example\.([a-z]+)\).*$', expand=True)
df['feat'] = s[0].fillna(s[1]).fillna('')
df
Out[1]: 
                                item  feat
0                                num   num
1                               bool  bool
2                                cat   cat
3                 cat.COUNT(example)      
4  cat.N_MOST_COMMON(example.ord)[2]   ord
5             cat.FIRST(example.ord)   ord
6             cat.FIRST(example.num)   num

以上为您提供了您正在寻找样本数据并符合您的条件的输出。然而：

如果example.后面有大写怎么办？当前输出将 return ''

请参阅下面的示例 #2，其中一些数据已根据上述要点进行了更改：

df = pd.DataFrame({'item': ['num','cat.count(example.AAA)', 'cat.count(example.aaa)', 'cat.count(example)','cat.N_MOST_COMMON(example.ord)[2]','cat.FIRST(example.ord)','cat.FIRST(example.num)']})

s = df['item'].str.extract('^([^A-Z]*$)|[^a-z].*example\.([a-z]+)\).*$', expand=True)
df['feat'] = s[0].fillna(s[1]).fillna('')
df
Out[2]: 
                                item                    feat
0                                num                     num
1             cat.count(example.AAA)                        
2             cat.count(example.aaa)  cat.count(example.aaa)
3                 cat.count(example)      cat.count(example)
4  cat.N_MOST_COMMON(example.ord)[2]                     ord
5             cat.FIRST(example.ord)                     ord
6             cat.FIRST(example.num)                     num

如何使用 extract 从 pandas 数据帧中提取大写字母和一些子字符串？

How to extract the uppercase as well as some substring from pandas dataframe using extract?

python

pandas

python-re