Python 从字符串电影名称列中提取年份

我有以下数据，在名为train_df的表中有两列，分别是name和gross：

gross       name
760507625.0 Avatar (2009)
658672302.0 Titanic (1997)
652270625.0 Jurassic World (2015)
623357910.0 The Avengers (2012)
534858444.0 The Dark Knight (2008)
532177324.0 Rogue One (2016)
474544677.0 Star Wars: Episode I - The Phantom Menace (1999)
459005868.0 Avengers: Age of Ultron (2015)
448139099.0 The Dark Knight Rises (2012)
436471036.0 Shrek 2 (2004)
424668047.0 The Hunger Games: Catching Fire (2013)
423315812.0 Pirates of the Caribbean: Dead Man's Chest (2006)
415004880.0 Toy Story 3 (2010)
409013994.0 Iron Man 3 (2013)
408084349.0 Captain America: Civil War (2016)
408010692.0 The Hunger Games (2012)
403706375.0 Spider-Man (2002)
402453882.0 Jurassic Park (1993)
402111870.0 Transformers: Revenge of the Fallen (2009)
400738009.0 Frozen (2013)
381011219.0 Harry Potter and the Deathly Hallows: Part 2 (2011)
380843261.0 Finding Nemo (2003)
380262555.0 Star Wars: Episode III - Revenge of the Sith (2005)
373585825.0 Spider-Man 2 (2004)
370782930.0 The Passion of the Christ (2004)

我想从name中读取并提取日期，以创建一个名为year的新列，然后使用该列按特定年份过滤数据集。 新表将如下所示：

year    gross   name
2009    760507625.0 Avatar (2009)
1997    658672302.0 Titanic (1997)
2015    652270625.0 Jurassic World (2015)
2012    623357910.0 The Avengers (2012)
2008    534858444.0 The Dark Knight (2008)

我尝试了应用和lambda方法，但没有得到任何结果：

train_df[train_df.apply(lambda row: row['name'].startswith('2014'),axis=1)]

有没有一种方法可以使用C或isin中的contains来过滤python中的字符串？

试试这个

df = ['Avatar (2009)', 'Titanic (1997)', 'Jurassic World (2015)','The Avengers (2012)', 'The Dark Knight (2008)', 'Rogue One (2016)','Star Wars: Episode I - The Phantom Menace (1999)','Avengers: Age of Ultron (2015)', 'The Dark Knight Rises (2012)','Shrek 2 (2004)', 'Boiling Point (1990)', 'Terror Firmer (1999)', 'Adam's Apples (2005)', 'I Want You (1998)', 'Chalet Girl (2011)','Love, Honor and Obey (2000)', 'Perrier's Bounty (2009)','Into the White (2012)', 'The Decoy Bride (2011)','I Spit on Your Grave 2 (2013)']

for i in df:
    mov_title = i[:-7]
    year = i[-5:-1]
    print(mov_title) //do your actual extraction
    print(year) //do your actual extraction

---

可以使用pandas.Series.str.extract创建正则表达式：

df["year"] = df["name"].str.extract(r"\((\d{4})\)$", expand=False)
df["year"] = pd.to_numeric(df["year"])

print(df.head())
         gross                    name  year
0  760507625.0           Avatar (2009)  2009
1  658672302.0          Titanic (1997)  1997
2  652270625.0   Jurassic World (2015)  2015
3  623357910.0     The Avengers (2012)  2012
4  534858444.0  The Dark Knight (2008)  2008

正则表达式：

\：查找有文字右括号的位置 \d{4}然后，找到4个相邻的数字 这里的括号表示我们将4个数字存储为一个捕获组，在本例中，这是我们要从较大的字符串中提取的数字组 \：然后，找到一个右括号 $：以上所有内容都必须出现在字符串末尾

---

当满足上述所有条件时，获取这4位数字，或者如果没有获得匹配项，则返回该行的NaN。

如果您确定您的年份将位于字符串的末尾，则可以这样做

df['year'] = df['name'].str[-5:-1].astype(int)

这将获取列名，使用以字符串形式访问每行的值，并从中获取-5:-1切片。然后，它将结果转换为int，并将其设置为year列。如果有大量数据，这种方法将比在行上迭代快得多

或者，您可以使用regex，使用str访问器的方法获得更大的灵活性

df['year'] = df['name'].str.extract(r'\((\d{4})\)').astype(int)

这将提取与表达式\\d{4}匹配的组，这意味着捕获正好包含四位数字的一对括号内的数字，并将在字符串中的任何位置工作。要将其锚定到字符串的末尾，请在正则表达式的末尾使用$，如：\\d{4}\$。使用正则表达式和使用字符串切片的结果是相同的

现在我们有了新的数据帧：

          gross                                               name  year
0   760507625.0                                      Avatar (2009)  2009
1   658672302.0                                     Titanic (1997)  1997
2   652270625.0                              Jurassic World (2015)  2015
3   623357910.0                                The Avengers (2012)  2012
4   534858444.0                             The Dark Knight (2008)  2008
5   532177324.0                                   Rogue One (2016)  2016
6   474544677.0   Star Wars: Episode I - The Phantom Menace (1999)  1999
7   459005868.0                     Avengers: Age of Ultron (2015)  2015
8   448139099.0                       The Dark Knight Rises (2012)  2012
9   436471036.0                                     Shrek 2 (2004)  2004
10  424668047.0             The Hunger Games: Catching Fire (2013)  2013
11  423315812.0  Pirates of the Caribbean: Dead Man's Chest (2006)  2006
12  415004880.0                                 Toy Story 3 (2010)  2010
13  409013994.0                                  Iron Man 3 (2013)  2013
14  408084349.0                  Captain America: Civil War (2016)  2016
15  408010692.0                            The Hunger Games (2012)  2012
16  403706375.0                                  Spider-Man (2002)  2002
17  402453882.0                               Jurassic Park (1993)  1993
18  402111870.0         Transformers: Revenge of the Fallen (2009)  2009
19  400738009.0                                      Frozen (2013)  2013
20  381011219.0  Harry Potter and the Deathly Hallows: Part 2 (...  2011
21  380843261.0                                Finding Nemo (2003)  2003
22  380262555.0  Star Wars: Episode III - Revenge of the Sith (...  2005
23  373585825.0                                Spider-Man 2 (2004)  2004
24  370782930.0                   The Passion of the Christ (2004)  2004

---

我不是一个python开发人员，但我相信这样就可以了。您只需要循环将每个函数传递给上述函数。每次函数调用时，您都会得到提取的日期。

我尝试了iloc，但它不起作用：您尝试了什么，为什么它没有达到您的期望？请将您的问题包括在内。为我实现这一功能在这里是离题的。评论的有用链接：，我更新了这个问题，更好地了解了数据的外观和预期回报，以避免任何负面评论。谢谢你，你还没有包括一个例子来说明你做了什么以及它是如何不起作用的。您的问题仍然是如何为尝试使用lo或iloc的meI实现此功能，但它们用于值的特定索引，而不是字符串的实际值。所以这是行不通的。然后，我尝试了panda查询和panda.get_值，这也是一条死胡同。我有点紧张或卡住了。我正在寻找一个可以用来过滤字符串的查询，类似于SQL查询，从表中选择*名称，如“%2006%”或类似的内容。。。

def getYear(val):
    startIndex = val.find('(')
    endIndex = val.find(')')
    return val[(int(startIndex) + 1):endIndex]