Python 使用正则表达式清洁熊猫系列

我正在尝试清理熊猫数据框架中名为“historical_rank”的列。它包含字符串数据。以下是内容示例：

       historical_rank
...    ...
122    1908
123    O'   
124 
125    1911  
126    1912  
127    1913 * * * 2010 * * *  
128
129    1914  
130    1915
131  
132
133    1918  
134    (First served 1989 to 1999)
...    ...

我想保留的数据是第122、125、126、127、129、130和133行中的四位数字。在序列的其他地方，该数字（历史排名）可以是一位、两位或三位数字。它总是以字符串开头，后面总是有空格。我想使用正则表达式保留所需的模式--r'\d{1,4}（？=\s）--并删除整个系列中的所有其他模式。实现这一点的正确代码是什么？多谢各位

IICU

df['historical_rank_new']=df['historical_rank'].str.extract('(^[\d]{1,4})')
df

---

要改进@wwnde答案，您可以使用：

df['historical_rank_new']=df['historical_rank'].str.extract('(^\d{1,4}$)')

---

下面是关于

您应该考虑使用您的正则表达式，记住此方法要求正则表达式至少包含一个捕获组

如果您计划在字符串的开头匹配一个、两个、三个或四个数字，并且后跟至少一个空格（仅根据

\d{1,4}（？=\s）

模式判断），您应该尝试

df['historical_rank_clean'] = df['historical_rank'].str.extract('^(\d{1,4})\s', expand=False).fillna('')

注意模式中的

（…）

，Parethes构成一个捕获组，其内容将用于填充新

历史排名清洁
列中的单元格
.fillna（“”）
将使用空字符串填充不匹配的条目

其他一些正则表达式的想法：


r'^（\d{2}（？:\d{2}）\b'
-在字符串开头提取两位或四位的块，并在其后加上单词边界
r'^（（？：20 | 19）？\d{2}）\b'
-与上述类似，但仅允许以
19
或
20
开始的年份，如果这些年份是四位数的年份

查看
作为替代，您可以使用
str.replace
并使用带有捕获组的模式来保留所需内容，并匹配要删除的内容


^
字符串的开头
（
捕获组1（保留）

\d{1,4}
匹配1-4位数字

）
关闭组
\s
匹配空白字符
|
或
+
匹配任意字符1+次

在替换中，使用组1
r'\1'

^(\d{1,4})\s|.+


比如说

df.historical_rank = df.historical_rank.str.replace(r"^(\d{1,4})\s|.+", r'\1')

查看
pd.Series.str.extract
函数。您可以将所述日期值分配到新的DataFrame列中，然后删除现有列。一年怎么可能是个位数？也许您想提取字符串开头的两个或四个数字，然后加上空格？@Ed_in_NY，如果样本数据中有四年数字开头，您能否在其中包括其他场景？如果您只想保留第122、125、126、127、129、130和133行中的日期，您能否不使用
r'（1908）|（1911）|（1912）|(1913)|(1915)|(1918)“
结合@S3DEV建议？历史排名不是一年，尽管它可能与我提供的样本中的情况类似。数据都是曾经担任过美国参议员的人。到目前为止，已有1984名参议员。例如，第一届国会的参议员都有一到两位数的历史排名。只需稍加修改这个解决方案提供了最好的结果。谢谢。