Python 正则表达式将地址分成三个不同的系列[第1部分]

我正在用一个包含客户信息的数据集来试验/学习Python

数据帧结构如下（这些是由记录组成的）：

我对

地址

系列特别感兴趣。具体来说，我的目标是将街道、编号和方框的信息“拆分”为三个不同的系列

例如，在转换之后，第一个和第七个记录/行应该如下所示：

| cus_name | street       | number | box | postal_code |
|----------|--------------|--------|-----|-------------|
| James    | Main St      | 59     | NaN | 1410        |
| Maria    | Mc-Kenzie Av | 40P    | 1   | 1190.0      |

起初，我不知道如何解决这个问题。在这里做了一些研究之后，我发现了一些有趣的使用正则表达式的相关帖子

由于我不是Python（也不是正则表达式）方面的专家，我想我可以从识别

address

系列中的模式开始。事实上，每个地址都有以下模式：

• 位于字符串开头的街道部分。它由一个或多个由空格字符或破折号分隔的单词组成（例如，

  Mc Kenzie Av

  ）

＞P< >位于字符串中间的“强>数< /强>部分。它由一个或多个字母数字单词组成，由空格字符或破折号分隔（例如

100-102

，

7d

）
• 位于字符串末端的框部分。它总是紧跟在

  b.

  字符之后，由一个包含字母数字字符的单词和一些特殊字符（例如

  A/b

  ，

  F1

  ）组成

---

我正在寻求帮助，以使用正则表达式实现我想要的目标（如果正则表达式是解决方案的话）

您可以尝试以下模式：

pattern = "^(?P<street>.+)\s+(?P<number>[\d\w]+)\s+b\.(?P<box>.*)$"
df['address'].str.extract(pattern)

pattern = "^(?P<street>[\D]+)\s+(?P<number>[\w\s]+)\s+b\.(?P<box>.*)$"

有关说明，请粘贴图案

如果您要求街道严格无编号，例如上面的第8行，请使用以下模式：

pattern = "^(?P<street>.+)\s+(?P<number>[\d\w]+)\s+b\.(?P<box>.*)$"
df['address'].str.extract(pattern)

pattern = "^(?P<street>[\D]+)\s+(?P<number>[\w\s]+)\s+b\.(?P<box>.*)$"

---

您可以尝试以下模式：

pattern = "^(?P<street>.+)\s+(?P<number>[\d\w]+)\s+b\.(?P<box>.*)$"
df['address'].str.extract(pattern)

pattern = "^(?P<street>[\D]+)\s+(?P<number>[\w\s]+)\s+b\.(?P<box>.*)$"

有关说明，请粘贴图案

如果您要求街道严格无编号，例如上面的第8行，请使用以下模式：

pattern = "^(?P<street>.+)\s+(?P<number>[\d\w]+)\s+b\.(?P<box>.*)$"
df['address'].str.extract(pattern)

pattern = "^(?P<street>[\D]+)\s+(?P<number>[\w\s]+)\s+b\.(?P<box>.*)$"

---

另一种正则表达式方法：

In [913]: df[['street', 'number', 'box']] = df.address.str.extract(r'(\D+)\s+(\d+[\s-]?(?!b)\w*)(?:\s+b\.)?(\S+)?', expand=True)

In [914]: df
Out[914]: 
   cus_name                address  postal_code        street   number  box
0     James             Main St 59       1410.0       Main St       59  NaN
1      Mary      Yellow Av 11 b.F1       1210.0     Yellow Av       11   F1
2     David   Terrazzo Way 100-102       1020.0  Terrazzo Way  100-102  NaN
3     Linda                    NaN          NaN           NaN      NaN  NaN
4    George  Hamilton St 159 b.A/B       1310.0   Hamilton St      159  A/B
5  Jennifer                    NaN          NaN           NaN      NaN  NaN
6      John           Henry St 7 D       1080.0      Henry St      7 D  NaN
7     Maria   Mc-Kenzie Av 40P b.1       1190.0  Mc-Kenzie Av      40P    1
8   Charles   Neptune Av 14 15 b.G       1040.0    Neptune Av    14 15    G
9     Helen                    NaN          NaN           NaN      NaN  NaN

---

另一种正则表达式方法：

In [913]: df[['street', 'number', 'box']] = df.address.str.extract(r'(\D+)\s+(\d+[\s-]?(?!b)\w*)(?:\s+b\.)?(\S+)?', expand=True)

In [914]: df
Out[914]: 
   cus_name                address  postal_code        street   number  box
0     James             Main St 59       1410.0       Main St       59  NaN
1      Mary      Yellow Av 11 b.F1       1210.0     Yellow Av       11   F1
2     David   Terrazzo Way 100-102       1020.0  Terrazzo Way  100-102  NaN
3     Linda                    NaN          NaN           NaN      NaN  NaN
4    George  Hamilton St 159 b.A/B       1310.0   Hamilton St      159  A/B
5  Jennifer                    NaN          NaN           NaN      NaN  NaN
6      John           Henry St 7 D       1080.0      Henry St      7 D  NaN
7     Maria   Mc-Kenzie Av 40P b.1       1190.0  Mc-Kenzie Av      40P    1
8   Charles   Neptune Av 14 15 b.G       1040.0    Neptune Av    14 15    G
9     Helen                    NaN          NaN           NaN      NaN  NaN

---

[\d\w]

=

\w

和

b.

必须是

b\.

，因为

是原始数据中的一个点。@Quanghaang谢谢，非常感谢。你的解决方案几乎就是我想要的。是否有一种简单的方法来修改代码，以便在框信息丢失时，模式仍然捕获街道和数字部分？我在我原来的帖子中添加了一个明确的例子。与另一个答案类似，你可以将模式更改为

pattern=“^（？P.+）\s+（？P[\w-]+）？[\s+b\]？（？P.*）”

[\d\w]

=

\w

，并且

必须是
b\
，因为
/code>是原始数据中的一个点。@QuangHoang谢谢你，非常感谢。你的解决方案几乎就是我想要的。是否有一种简单的方法来修改代码，以便在框信息丢失时，模式仍然捕获街道和数字部分？我在原来的帖子中添加了一个明确的例子。与另一个答案类似，您可以将模式更改为
pattern=“^（？P.+）\s+（？P[\w-]+）？[\s+b\.]？（？P.*）$”
。