Pandas中高效拼接文本与正则表达式提取的数字

# 假设df["PROJEKT[BEZEICHNUNG]"].str.findall(r"\d+") 结果为 Series([['8', '4'], ['8', '5'], ...])
# 错误的尝试：
# df["EINGRUPPIERUNG"] = "P" + df["PROJEKT[BEZEICHNUNG]"].str.findall(r"\d+")[:][0] + \
#                       " Stufe " + df["PROJEKT[BEZEICHNUNG]"].str.findall(r"\d+")[:][1]

import pandas as pd

# 示例数据
data = {
    'PROJEKT[BEZEICHNUNG]': [
        'blah 8 blah 4',
        'blah 8 blah 5',
        'blah 8 blah 5',
        'blah 7 blah 4',
        'another 9-3 project',
        'only one number 10 here' # 示例，处理只有一个数字的情况
    ]
}
df = pd.DataFrame(data)

print("原始DataFrame:")
print(df)

# 1. 使用str.findall提取所有数字
# 结果是一个Series，每个元素是一个数字字符串列表
match_lists = df['PROJEKT[BEZEICHNUNG]'].str.findall(r'\d+')
print("\n提取的数字列表 Series:")
print(match_lists)

# 2. 使用str访问器对列表进行索引，获取第一个和第二个数字
# match_lists.str[0] 会获取每个列表的第一个元素
# match_lists.str[1] 会获取每个列表的第二个元素
# 如果列表长度不足，str[index] 会返回 NaN
first_num = match_lists.str[0]
second_num = match_lists.str[1]

# 3. 拼接字符串
# 注意：如果second_num中存在NaN（即原始字符串中没有第二个数字），
# 拼接结果也会包含NaN。我们可以使用fillna('')来处理。
df['EINGRUPPIERUNG_Method1'] = 'P' + first_num.fillna('') + ' Stufe ' + second_num.fillna('')
print("\n使用str.findall和str索引拼接的结果:")
print(df)

# 进一步处理NaN的改进示例：如果第二个数字不存在，则不显示“Stufe”部分
df['EINGRUPPIERUNG_Method1_Improved'] = df.apply(
    lambda row: 'P' + row['PROJEKT[BEZEICHNUNG]'].str.findall(r'\d+')[0] + \
                (' Stufe ' + row['PROJEKT[BEZEICHNUNG]'].str.findall(r'\d+')[1] if len(row['PROJEKT[BEZEICHNUNG]'].str.findall(r'\d+')) > 1 else ''),
    axis=1
)
print("\n改进后的结果（处理缺失第二个数字，更灵活的条件拼接）:")
print(df)

import pandas as pd

# 示例数据
data = {
    'PROJEKT[BEZEICHNUNG]': [
        'blah 8 blah 4',
        'blah 8 blah 5',
        'blah 8 blah 5',
        'blah 7 blah 4',
        'another 9-3 project',
        'only one number 10 here' # 示例，处理只有一个数字的情况
    ]
}
df = pd.DataFrame(data)

# 使用str.extract，正则表达式捕获两个数字
# r'(\d+).*?(\d+)'：匹配第一个数字(\d+)，非贪婪匹配任意字符(.*?), 再匹配第二个数字(\d+)
# expand=True 会将捕获组作为独立的列返回一个DataFrame
# 如果正则表达式不匹配，则返回NaN
match_df = df['PROJEKT[BEZEICHNUNG]'].str.extract(r'(\d+).*?(\d+)', expand=True)
print("\n使用str.extract提取的DataFrame:")
print(match_df)

# 拼接字符串
# match_df[0] 和 match_df[1] 分别对应第一个和第二个捕获组
# 同样需要处理可能存在的NaN值
df['EINGRUPPIERUNG_Method2'] = 'P' + match_df[0].fillna('') + ' Stufe ' + match_df[1].fillna('')
print("\n使用str.extract拼接的结果:")
print(df)

import pandas as pd

# 示例数据
data = {
    'PROJEKT[BEZEICHNUNG]': [
        'blah 8 blah 4',
        'blah 8 blah 5',
        'blah 8 blah 5',
        'blah 7 blah 4',
        'another 9-3 project',
        'only one number 10 here' # 示例
    ]
}
df = pd.DataFrame(data)

# 使用str.replace，捕获数字并用反向引用\1, \2在替换字符串中使用
# r'.*?(\d+).*?(\d+).*' 匹配整个字符串，捕获两个数字
# r'P\1 Stufe \2' 是替换字符串，\1和\2引用捕获到的数字
# regex=True 必须设置为True才能使用正则表达式
df['EINGRUPPIERUNG_Method3'] = df['PROJEKT[BEZEICHNUNG]'].str.replace(
    r'.*?(\d+).*?(\d+).*', r'P\1 Stufe \2', regex=True
)
print("\n使用str.replace拼接的结果:")
print(df)