python - 从 Pandas 系列中提取体积信息 - Pandas , Regex

Question

我有一个可以通过以下代码生成的 Pandas 系列:

输入:

l = ['abcd 1942 Lmauu 40% 70cl',
    'something again something   1.5 L',
    'some other stuff 45% 70 CL',
    'not the exact data      3LTR',
    'abcd 100Ltud 6%(8)500ML',
    'cdef  6%(8)500 ml',
    'a packet 24 x 27.5 cl (  PET )']
ser = pd.Series(l)

问题陈述和预期输出:

我正在尝试从系列中提取体积并转换为数据帧，这样体积将在数据帧的 1 列中，而在另一列中是度量单位，可以使用以下代码重现预期输出:

d = {0: {0: '70',
     1: '1.5',
     2: '70',
     3: '3',
     4: '500',
     5: '500',
     6: '27.5'},
     1: {0: 'cl', 1: 'L', 2: 'CL', 3: 'LTR', 4: 'ML', 5: 'ml', 6: 'cl'}}
expected_output = pd.DataFrame(d)

      0    1
0    70   cl
1   1.5    L
2    70   CL
3     3  LTR
4   500   ML
5   500   ml
6  27.5   cl 

我的试用码

这是我尝试过的，我已经非常接近我想要的但不完全是，如果你看到我没有得到最后一卷。我想是因为我已经包含了 $在我的正则表达式中，但如果没有它，我将无法解析此字符串中的音量，例如 abcd 1942 Lmauu 40% 70cl , 1942 L会被退回。另外，我只想要第二列中的度量单位，而不是输出中显示的第一列，但这是次要的。

print(ser.str.extract(r'((?i)([\d]+?[.])?\d+?[\s+]?(cl$|ml$|ltr$|L$)(?:$))').iloc[:,[0,-1]]) 

        0    2
0    70cl   cl
1   1.5 L    L
2   70 CL   CL
3    3LTR  LTR
4   500ML   ML
5  500 ml   ml
6     NaN  NaN 

请建议我应该在这里做什么。

Answer 1

您可以使用

r'(?i)\b(\d+(?:\.\d+)?)\s*(cl|ml|ltr|L)\b'

见 regex demo .

详情

(?i) -

上的不区分大小写模式

\b - 一个词边界

(\d+(?:\.\d+)?) - 捕获组 1:一个或多个数字后跟一个点和一个或多个数字的可选序列

\s* - 0+ 个空格

(cl|ml|ltr|L) - cl , ml , ltr或 L (注意不区分大小写的匹配)

\b - 一个词边界

测试:

>>> ser.str.extract(r'(?i)\b(\d+(?:\.\d+)?)\s*(cl|ml|ltr|L)\b', expand=True)
      0    1
0  70    cl 
1  1.5   L  
2  70    CL 
3  3     LTR
4  500   ML 
5  500   ml 
6  27.5  cl