Pandas文本处理高阶函数extract + extractall

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：

1. 当匹配多组规则的时候，如果没有匹配成功，则用NaN来代替
2. 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

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~