数据帧列中的 Python 正则表达式

Question

我已经为 Excel 自动化编写了一个 Python 脚本。在这个自动化过程中，我陷入了一个点之间。我想在数据帧的列中应用正则表达式。尝试了很多方法，但无法产生我想要的完全理想的结果。我有如下数据框(简短的示例示例)-

这是示例数据框，其中包含大量列。我想在名为 ID 列的 C 列中应用正则表达式。我想根据 $、& 分隔符拆分此数据框中的数据，但也想忽略(删除)* 和 & 或 * 和 $ 之间的所有值。我们可以删除或忽略 C 列(ID)中找到空单元格的行。以下是我想要的输出数据帧的示例-

我尝试过以下操作-

import pandas as pd
import re
df = pd.read_excel("Deal Id Part Comparison Master File.xlsx", "Data Dump", header=1)
splits= []
for i in df['ID']:
    s = str(i)
    splits.append(re.split('\$|\&',s))

print(f' final list {splits}')

上面的代码能够根据$和&拆分数据并将它们存储在列表中。但 * 和 $ 或 * 和 & 之间的数据不会被忽略。我还想爆炸数据。

我确信可以有一个类轮来完成这一任务，但无法生成最终输出

Answer 1

你可以使用

import pandas as pd
df = pd.DataFrame({'Order': ['10-112','10-115'], 'Owner':['shubhman', 'rishab'], 'ID':['89ab$cd&78','']})

df['ID'] = df['ID'].str.replace(r'\*[^&$]*[&$]', '').str.split(r'[$&]') # Remove substrings between * and $ or &
df = df.explode('ID') # Split the rows with multiple IDs into multiple rows
df = df[df['ID'].astype(bool)] # Discard the rows with an empty ID
>>> df
    Order     Owner    ID
0  10-112  shubhman  89ab
0  10-112  shubhman    cd
0  10-112  shubhman    78

这里的正则表达式匹配:

• .replace(r'\*[^&$]*[&$]', '') - 替换 * 之间的所有子字符串(与 \*) 以及最近的、最左边的 & 或 $ (先出现的)，请参阅 regex demo
• .str.split(r'[$&]') - 使用 $ 或 & 字符分割(请注意，您不需要在字符类中转义)。