10_Pandas使用分隔符或正则表达式将字符串拆分为多列
10_Pandas使用分隔符或正则表达式将字符串拆分为多列
Pandas如何将带有字符串元素的列拆分为多个列。
使用以下字符串的方法。
- str.split（）：用定界符分割
- str.extract()：按正则表达式拆分
字符串方法是pandas.Series方法。
适用于pandas.Series或pandas.DataFrame列
str.split（）：用定界符分割
要按定界符（delimiter）进行拆分，使用字符串方法str.split（）。
pandas.Series
以以下pandas.Series为例。
import pandas as pd
s_org = pd.Series(['[email protected]', '[email protected]', '[email protected]', 'ddd'], index=['A', 'B', 'C', 'D'])
print(s_org)
print(type(s_org))
# A [email protected]
# B [email protected]
# C [email protected]
# D ddd
# dtype: object
# 将定界符指定为第一个参数。一个pandas.Series元素作为拆分字符串的列表返回。
s = s_org.str.split('@')
print(s)
print(type(s))
# A [aaa, xxx.com]
# B [bbb, yyy.com]
# C [ccc, zzz.com]
# D [ddd]
# dtype: object
# 指定split = True作为参数可分为多个列并以pandas.DataFrame的形式获取。默认值为expand = False。
没有足够的行划分的元素为“无(None)”。
df = s_org.str.split('@', expand=True)
print(df)
print(type(df))
# 0 1
# A aaa xxx.com
# B bbb yyy.com
# C ccc zzz.com
# D ddd None
# 可以在列中指定获取的pandas.DataFrame的列名。
df.columns = ['local', 'domain']
print(df)
# local domain
# A aaa xxx.com
# B bbb yyy.com
# C ccc zzz.com
# D ddd None
pandas.DataFrame
如果要通过将pandas.DataFrame的特定列拆分为多列来更新它，这会有些乏味。可能有更好的方法。
以先前创建的pandas.DataFrame为例。
print(df)
# local domain
# A aaa xxx.com
# B bbb yyy.com
# C ccc zzz.com
# D ddd None
在特定的列上使用str.split（）获得一个拆分的pandas.DataFrame。
print(df['domain'].str.split('.', expand=True))
# 0 1
# A xxx com
# B yyy com
# C zzz com
# D None None
使用pd.concat（）与原始pandas.DataFrame进行串联（联接），并使用drop（）方法删除原始列。
df2 = pd.concat([df, df['domain'].str.split('.', expand=True)], axis=1).drop('domain', axis=1)
print(df2)
# local 0 1
# A aaa xxx com
# B bbb yyy com
# C ccc zzz com
# D ddd None None
如果剩余的列很少，则只能选择与pd.concat（）串联（联接）时所需的列。
df3 = pd.concat([df['local'], df['domain'].str.split('.', expand=True)], axis=1)
print(df3)
# local 0 1
# A aaa xxx com
# B bbb yyy com
# C ccc zzz com
# D ddd None None
要重命名特定的列，请使用rename（）方法。
df3.rename(columns={0: 'second_LD', 1: 'TLD'}, inplace=True)
print(df3)
# local second_LD TLD
# A aaa xxx com
# B bbb yyy com
# C ccc zzz com
# D ddd None None
参考文章
- 01_Pandas.DataFrame的行名和列名的修改
str.extract()：按正则表达式拆分
使用字符串方法str.extract（）分割正则表达式。
以以下pandas.Series为例。
import pandas as pd
s_org = pd.Series(['[email protected]', '[email protected]', '[email protected]', 'ddd'], index=['A', 'B', 'C', 'D'])
print(s_org)
# A [email protected]
# B [email protected]
# C [email protected]
# D ddd
# dtype: object
在第一个参数中指定正则表达式。对于每个与正则表达式中用（）括起来的组部分匹配的字符串，均对其进行划分。
提取多个组时，无论参数expand如何，都将返回pandas.DataFrame。
如果不匹配，则为NaN。
df = s_org.str.extract('(.+)@(.+)\.(.+)', expand=True)
print(df)
# 0 1 2
# A aaa xxx com
# B bbb yyy com
# C ccc zzz com
# D NaN NaN NaN
df = s_org.str.extract('(.+)@(.+)\.(.+)', expand=False)
print(df)
# 0 1 2
# A aaa xxx com
# B bbb yyy com
# C ccc zzz com
# D NaN NaN NaN
如果只有一组，则当参数expand = True时返回pandas.DataFrame，如果expand = False则返回pandas.Series。
df_single = s_org.str.extract('(\w+)', expand=True)
print(df_single)
print(type(df_single))
# 0
# A aaa
# B bbb
# C ccc
# D ddd
# Expand = False是当前版本0.22.0中的默认值，但expand = True将是将来的默认值。
FutureWarning: currently extract(expand=None) means expand=False (return Index/Series/DataFrame)
but in a future version of pandas this will be changed to expand=True (return DataFrame)
如果对正则表达式模式使用命名组（？P …），则该名称将按原样是列名。
df_name = s_org.str.extract('(?P.*)@(?P.*)\.(?P.*)' , expand=True)
print(df_name)
# local second_LD TLD
# A aaa xxx com
# B bbb yyy com
# C ccc zzz com
# D NaN NaN NaN
如果要通过将pandas.DataFrame的特定列划分为多个列来进行更新，请参考上面的str.split（）示例。使用pd.concat（）连接（联接）原始的pandas.DataFrame并使用drop（）方法删除原始的列。