使用 python 使用正则表达式在多个变量字段中拆分字符串

Question

我有一个数据框，其中某一列的每一行都是来自某种格式错误的文本，其中每个 'field' 都在 'field title' 之后，例如：

col
Name: Bob Surname: Ross Title: painter age:34
Surname: Isaac Name: Newton Title: coin checker age: 42
age:20 Title: pilot Name: jack
this is some trash text Name: John Surname: Doe

例如，字段可以按任何顺序排列，但其中一些可能不存在。

我需要做的是解析字段，使第二行变成这样：

{'Name': 'Isaac','Surname': 'Newton',...}

虽然我可以处理 'pythonic part' 我认为应该使用一些正则表达式来完成解析（也是因为行数为数千）但我不知道如何设计它。

Answer 1

尝试：

x = df["col"].str.extractall(r"([^\s:]+):\s*(.+?)\s*(?=[^\s:]+:|\Z)")
x = x.droplevel(level="match").pivot(columns=0, values=1)

print(x.apply(lambda x: x[x.notna()].to_dict(), axis=1).to_list())

打印：

[
    {"Name": "Bob", "Surname": "Ross", "Title": "painter", "age": "34"},
    {
        "Name": "Newton",
        "Surname": "Isaac",
        "Title": "coin checker",
        "age": "42",
    },
    {"Name": "jack", "Title": "pilot", "age": "20"},
]

使用 python 使用正则表达式在多个变量字段中拆分字符串

Splitting string in multiple variable fields using regex using python

python

pandas

parsing