Python Regex以不同的方式相似数据并填充数据帧

我的信息块包含两个10个字符的字母数字代码，格式为

xxxxx-xxxxx

。下面的文本是如何呈现数据的示例。始终会有一个“父”号码和任意数量的“子”号码

修订版：23.4

12345-78901
    a:a
    b:b {
    54321-98765
    a:a
    b:b
}


12345-99999
    a:a
    b:b {
    54321-47382
    a:a
    b:b
    7test-38472
    a:a
    b:b
}

我们的想法是在一个捕获组中正则化第一个数字

12345-78901

，在另一个组中正则化第二个数字

54321-98765

，这样两个数字都不会出现在同一个正则化搜索中。我的想法是将两个不同的捕获组读入数据帧列。阅读以下文本后的结果如下：

Parent       Child
12345-78901  54321-98765
12345-99999  54321-47382
12345-99999  7test-38472

我陷入困境的是如何区分什么是父母，什么是孩子，我的方法是看缩进。代码如下：

df = pd.read_csv(txt, header=None, sep='\\', encoding = "ISO-8859-1")
numA = df[0].str.extractall(r'(.....-.....)')
numB = df[0].str.extractall(r'(    .....-.....)')
df_out = pd.concat([numA, numB], axis=1).reset_index(drop=True)

---

但是，这会将所有数字填充到

numA

中，并将

numB

留空，有什么提示吗？

您的问题是

r'（…-…）'

也与缩进的数字匹配。您可以通过指定行首的确切位置来避免这种情况。比如：

r'（^…-…）'

和

r'（^…-…）'

---

扬抑符

^

代表行的开头。如果您知道字符是数字，最好使用

\d

。所以类似于

r'（\d{5}-\d{5}）

。对于扬抑符，必须设置pandas.Series.str.extractall的多行标志。

这是一种使用

str.findall

Ex:

s = """12345-78901
    a:a
    b:b {
    54321-98765
    a:a
    b:b
}
"""
s2 = """12345-99999
    a:a
    b:b {
    54321-47382
    a:a
    b:b
    7test-38472
    a:a
    b:b
}"""
df = pd.DataFrame({"temp":[s, s2]})
data = df["temp"].str.findall(r"(\w+\-\w+)").apply(lambda x: [{'Parent': x[0], "Child": i} for i in x[1:]]).tolist()
print(pd.DataFrame.from_records(np.concatenate(data)))

         Child       Parent
0  54321-98765  12345-78901
1  54321-47382  12345-99999
2  7test-38472  12345-99999

输出：

s = """12345-78901
    a:a
    b:b {
    54321-98765
    a:a
    b:b
}
"""
s2 = """12345-99999
    a:a
    b:b {
    54321-47382
    a:a
    b:b
    7test-38472
    a:a
    b:b
}"""
df = pd.DataFrame({"temp":[s, s2]})
data = df["temp"].str.findall(r"(\w+\-\w+)").apply(lambda x: [{'Parent': x[0], "Child": i} for i in x[1:]]).tolist()
print(pd.DataFrame.from_records(np.concatenate(data)))

         Child       Parent
0  54321-98765  12345-78901
1  54321-47382  12345-99999
2  7test-38472  12345-99999

---

由于某种原因，

数据

会被填充，但当试图将其连接到新的df或打印时，没有显示任何内容。我有点困惑，因为我看不到

r'（^…-…）'

和

r'（^…-…）'

之间的区别。第二个是空格。如果你标记它，你会看到空格。。。