python - 通过 4 的项目数量错误，使用正则表达式提取时放置意味着 1

Question

我的数据框中有一些列(约 200 万行)，如下所示:

column
1/20/1"ADAF"
1/4/551BSSS
1/2/1AAAA
1/565/1 "AAA="

我只想提取:

1/20/1
1/4/551
1/2/1
1/565/1

我尝试过:

df['wanted_column'] = df['column'].str.extract(r'((\d+)/(\d+)/(\d+))', expand=True)

但是我得到了一个错误:

ValueError: Wrong number of items passed 4, placement implies 1

谁知道我哪里错了？如果有更好更快的解决方案，我将不胜感激。

提前致谢。

Answer 1

如果您想将字符串的单个部分提取到单个列中，请确保您的正则表达式仅包含单个捕获组。删除所有其他捕获组(如果它们是冗余的)或将它们转换为非捕获组(如果它们用作模式序列的简单分组，例如 (\W+\w+){0,3} -> (?:\W+\w+){0,3} )。

在这里，您可以使用

df['wanted_column'] = df['column'].str.extract(r'(\d+/\d+/\d+)', expand=True)

重点是，当您将其与 str.extract 一起使用时，仅在正则表达式中使用单个捕获组将值提取到单个列中。

请注意r'((\d+)/(\d+)/(\d+))'也可以重写为 r'((?:\d+)/(?:\d+)/(?:\d+))'对于此用例，但这些非捕获组将是多余的，因为它们仅对单个 \d+ 进行分组他们每个人都有模式，这没有意义。

如果您需要将值提取到多列中，请注意列数应等于模式中捕获组的数量，例如

df[['Val1', 'Val2', 'Val3']] = df['column'].str.extract(r'(\d+)/(\d+)/(\d+)', expand=True)
#       1       2       3                                 ^ 1 ^ ^ 2 ^ ^ 3 ^