Python 按照特定模式从列中提取字符串

请原谅我的熊猫新手问题，但我有一列美国城镇和州，如下图所示的截断版本（出于某种奇怪的原因，该列的名称称为“Alabama[edit]”，与该列中的前0-7个城镇值关联）：

每个州的城镇位于每个州名称的下方，例如，费尔班克斯（列值9）是阿拉斯加州的城镇

我想做的是根据州名称划分城镇名称，这样我有两列“state”和“RegionName”，其中每个州名称与每个城镇名称关联，如下所示：

                            RegionName                       State
0                          Auburn (Auburn University)[1]    Alabama
1                 Florence (University of North Alabama)    Alabama
2        Jacksonville (Jacksonville State University)[2]    Alabama
3             Livingston (University of West Alabama)[2]    Alabama
4               Montevallo (University of Montevallo)[2]    Alabama
5                              Troy (Troy University)[2]    Alabama
6      Tuscaloosa (University of Alabama, Stillman Co...    Alabama
7                      Tuskegee (Tuskegee University)[5]    Alabama

8         Fairbanks (University of Alaska Fairbanks)[2]     Alaska

9         Flagstaff (Northern Arizona University)[6]        Arizona
10                      Tempe (Arizona State University)    Arizona
11                        Tucson (University of Arizona)    Arizona                                              

12        Arkadelphia (Henderson State University, Ouach... Arkansas                                           

。等等

我知道每个州的名称后面都有一个字符串“[edit]”，我想我可以用它来分割和分配城镇名称。但我不知道怎么做

---

另外，我知道我还需要做很多其他的数据清理，比如删除括号内和括号“[]”内的字符串。这可以稍后再做……重要的部分是将各州和城镇分开，并将每个城镇分配到适当的美国。任何建议都将不胜感激。

如果没有太多上下文或访问您的数据，我建议您按照这些思路做些事情。首先，修改读取数据的代码：

df = pd.read_csv(..., header=None, names=['RegionName']) 
# add header=False so as to read the first row as data

现在，使用

str.extract

提取状态名，只要名称被子字符串“[edit]”继承，就应该只提取名称。然后可以使用

ffill

正向填充所有NaN值

df['State'] = df['RegionName'].str.extract(
    r'(?P<State>.*)(?=\s*\[edit\])'
).ffill()

df['State']=df['RegionName'].str.extract(
r'（？P.*）（？=\s*\[编辑\]）”
).ffill（）

我想看看您是如何加载这些数据的。你能给我看一下代码吗？当然可以。数据来自维基百科页面：。我正在使用pd.read_table（'university_towns.txt'）来读取数据（维基百科页面中的数据已经格式化为.txt文件）。好的，那么您的文本文件中是否只列出了大学？是的，文本文件显示了州名，后跟城镇名称和大学（我不需要大学，我需要在以后的数据清理过程中消除大学。）当你说设置header=False时，你的意思是header=None吗？当我尝试header=False时，它抛出了一个异常。天哪！太神奇了！str.extract成功了！你就是男人（或女人，视情况而定）！但是，在阅读正则表达式时，我还是有点生疏…我理解正则表达式搜索“”字符串，但是（？P.*）（？=\s*…）是什么意思？@bariumdose是的，谢谢。写这篇文章时没有进行任何测试，很高兴它起作用了！至于正则表达式，这很容易解释。它只是指定了一个命名的捕获组（你可以在DOC上查看这个概念），熊猫把它翻译成列名。如果你喜欢答案，也要考虑把它投上去。祝你好运！

df['State'] = df['RegionName'].str.extract(
    r'(?P<State>.*)(?=\s*\[edit\])'
).ffill()