使用Pandas和正则表达式从混合数据列中高效提取特定模式

在数据分析和处理过程中，我们经常会遇到从Excel或其他数据源导入的数据中，某一列包含多种类型或格式不一致的混合条目。这些混合数据可能包含数字、文本、特殊字符，甚至编码模式，给后续的分析带来挑战。Pandas库提供了强大的字符串操作功能，其中str.extract()方法结合正则表达式是解决此类问题的利器。本文将深入探讨如何利用这一组合，从复杂混合数据列中高效、准确地提取出我们感兴趣的特定模式。

理解数据提取的需求与挑战

当从外部文件（如Excel）导入数据时，Pandas DataFrame的列可能会因为源数据的多样性而包含混合类型的数据。例如，某一列可能既包含纯数字，也包含带有特定标识符（如“AA”、“EE”、“EA+”、“EA-”等）的字符串。我们的目标是从这些混合条目中识别并提取出这些特定的文本模式，通常是为了进行分类、计数或进一步的分析。

直接使用简单的字符串匹配方法往往不够灵活，因为它难以处理模式的多样性和位置的不确定性。此时，正则表达式（Regex）的强大模式匹配能力就显得尤为重要。

使用 str.extract() 进行模式提取

Pandas DataFrame的字符串访问器 str 提供了一系列便捷的方法来处理字符串数据，其中 str.extract(pat, expand=True) 是专门用于通过正则表达式从字符串中提取捕获组的方法。

• pat: 必需参数，一个正则表达式模式。
• expand: 布尔值，如果为 True（默认），则返回一个DataFrame，每列对应一个捕获组；如果为 False，则返回一个Series，其值为匹配的捕获组。

构建多模式匹配的正则表达式

原始问题中尝试的正则表达式 [EA+,AA,EA-] 是一个常见的误区。方括号 [] 在正则表达式中表示字符集，即匹配方括号内任意一个字符。例如，[abc] 会匹配 'a'、'b' 或 'c'。因此，[EA+,AA,EA-] 实际上会匹配 'E'、'A'、'+'、','、'-' 中的任意一个字符，而不是我们期望的完整模式字符串。

要匹配多个不同的字符串模式（例如 "EE"、"AA"、"EA+" 或 "EA-"），我们需要使用正则表达式的“或”操作符 |。同时，为了确保匹配的是完整的模式，并且在模式中包含特殊字符（如 + 或 -），可能需要对这些特殊字符进行转义，或者将它们放在字符集中。

正确的模式构建方式如下：

1. 匹配 "EE" 或 "AA": 直接使用 EE|AA。
2. 匹配 "EA+" 或 "EA-": 可以使用 EA\+ 和 EA\-（转义特殊字符），或者更简洁地使用字符集 EA[+-] 来匹配 "EA" 后跟 "+" 或 "-"。
3. 组合所有模式: 将上述模式通过 | 连接起来。

因此，一个能够匹配 "EE"、"AA"、"EA+" 或 "EA-" 的正则表达式可以是 (EE|AA|EA[+-])。括号 () 用于创建一个捕获组，这样 str.extract() 就能提取这个匹配到的完整模式。

Typewise.app

面向客户服务和销售团队的AI写作解决方案。

39

查看详情

示例代码：

首先，我们创建一个示例DataFrame来模拟混合数据列：

import pandas as pd
import numpy as np

# 模拟一个包含混合数据的DataFrame
data = {
    'ID': range(10),
    'Nachfolger': [
        '54;20',
        '----',
        '52;128AA;207',
        '138EE;34',
        '----',
        '139EE;36',
        '52;24',
        '52;227;27EA+',
        '30EA-',
        '141EE;40'
    ]
}
df = pd.DataFrame(data)

print("原始DataFrame:")
print(df)
print("-" * 30)

# 使用str.extract()和正确的正则表达式提取模式
# r'' 表示原始字符串，避免反斜杠转义问题
df['Verknüpfung'] = df['Nachfolger'].str.extract(r'(EE|AA|EA[+-])')

# 填充未匹配到的NaN值，例如用0或者空字符串
df['Verknüpfung'] = df['Verknüpfung'].fillna(0)

print("\n提取模式后的DataFrame:")
print(df)

代码解析：

1. df['Nachfolger'].str.extract(r'(EE|AA|EA[+-])'):
   • r'(EE|AA|EA[+-])' 是核心正则表达式。
   • EE|AA: 匹配字符串 "EE" 或 "AA"。
   • EA[+-]: 匹配字符串 "EA" 后跟一个 + 或 -。例如，它会匹配 "EA+" 和 "EA-"。
   • 外层的 () 创建了一个捕获组，str.extract() 会返回这个捕获组匹配到的内容。
   • r 前缀表示这是一个原始字符串（raw string），这对于正则表达式来说是一个好习惯，因为它会忽略反斜杠的特殊含义，避免在处理路径或复杂正则时出现转义问题。
2. df['Verknüpfung'].fillna(0):
   • str.extract() 在没有找到匹配项时会返回 NaN（Not a Number）。
   • 为了后续分析或保持数据类型一致性，我们通常会使用 fillna() 方法来替换这些 NaN 值。这里我们用 0 填充。根据实际需求，也可以选择填充空字符串 '' 或其他默认值。

进一步的提取示例（根据需求拆分）

如果需要将不同的模式提取到不同的列中，可以为每个模式创建单独的 str.extract() 调用，或者在一个复杂的正则表达式中使用命名捕获组。

示例：提取到不同的列

# 假设我们想将EE和AA分别提取到不同的列
df['Verknüpfung_EE'] = df['Nachfolger'].str.extract(r'(EE)')
df['Verknüpfung_AA'] = df['Nachfolger'].str.extract(r'(AA)')
df['Verknüpfung_EA'] = df['Nachfolger'].str.extract(r'(EA[+-])')

# 填充NaN值
df['Verknüpfung_EE'] = df['Verknüpfung_EE'].fillna(0)
df['Verknüpfung_AA'] = df['Verknüpfung_AA'].fillna(0)
df['Verknüpfung_EA'] = df['Verknüpfung_EA'].fillna(0)

print("\n提取到不同列后的DataFrame:")
print(df)

注意事项与最佳实践

1. 原始字符串 (Raw Strings): 始终建议在正则表达式前使用 r 前缀，例如 r'pattern'。这可以防止Python解释器对反斜杠进行额外的转义，确保正则表达式按预期工作。
2. 测试正则表达式: 在将复杂的正则表达式应用于数据之前，强烈建议使用在线正则表达式测试工具（如 Regex101.com）进行测试。这可以帮助您快速验证模式是否正确，并理解其匹配行为。
3. 处理 NaN 值: str.extract() 在没有匹配项时会生成 NaN。根据您的分析需求，使用 fillna() 方法进行适当处理是必不可少的步骤。
4. 性能考虑: 对于非常大的数据集，频繁的字符串操作可能会影响性能。如果可能，尽量优化正则表达式，使其更高效。
5. 命名捕获组 (Named Capturing Groups): 如果正则表达式包含多个捕获组，并且您希望结果DataFrame的列名具有描述性，可以使用命名捕获组。例如 (?P<EE_Pattern>EE) 会在结果DataFrame中生成名为 EE_Pattern 的列。

总结

通过Pandas的str.extract()方法结合强大的正则表达式，我们可以灵活高效地从混合数据列中提取出所需的特定模式。关键在于正确构建正则表达式，特别是当需要匹配多个不同模式时，要熟练运用 |（或）操作符和字符集 []。理解并避免常见的正则表达式误区，以及合理处理提取结果中的 NaN 值，是确保数据清洗和预处理成功的关键。掌握这些技巧，将大大提升您在处理非结构化或半结构化数据时的效率和准确性。

以上就是使用Pandas和正则表达式从混合数据列中高效提取特定模式的详细内容，更多请关注php中文网其它相关文章！