如何在pandas数据帧单元格中提取字符串的一部分，并在其中创建一个包含该字符串的新列

Question

我有一个数据帧，其中一列包含一个长字符串，其中包含许多信息，我需要将这些信息分解为单独的列，并将它们添加到数据帧中。与此类似如何在python-panda中添加具有多个字符串包含条件的新列而不是使用np.where？但我不知道如何适应。

我可以创建空列，但我不知道字符串是否可以提取元素，或者是否可以将其分隔成列。

例如数据行

0    Row 1 Ch475 Vi 17.0V BF27 Sclk 100ns 1in24 24segs

所需输出

行号、电压、Wfm、Sclk、图像、段

1、17、BF27、100、1i24、24

数据

Comments  Image
0    Row 1 Ch475 Vi 17.0V BF27 Sclk 100ns 1in24 24segs      0
1    Row 1 Ch475 Vi 17.0V BF27 Sclk 100ns 1in24 24segs      0
2    Row 1 Ch475 Vi 17.0V BF27 Sclk 100ns 1in24 24segs      0
3    Row 1 Ch475 Vi 17.0V BF27 Sclk 100ns 1in24 24segs      0
4    Row 1 Ch475 Vi 17.0V BF27 Sclk 100ns 1in24 24segs      0
..                                                 ...    ...
706  Row 2 Ch475 Vi 17.5V BF27 Sclk 100ns 1in24 24segs      0
707  Row 2 Ch475 Vi 17.5V BF27 Sclk 100ns 1in24 24segs      0
708  Row 2 Ch475 Vi 17.5V BF27 Sclk 100ns 1in24 24segs      0
709  Row 2 Ch475 Vi 17.5V BF27 Sclk 100ns 1in24 24segs      0
710  Row 2 Ch475 Vi 17.5V BF27 Sclk 100ns 1in24 24segs      0

代码

import pandas as pd
import numpy as np
path = "/Users/.../Desktop/tk_gui_grid/"
file = "orig_data.txt"
filepath = path+file
df = pd.read_csv(filepath, sep='t', lineterminator='r')
com = df.loc[:,['Comments']]
dfLen = len(com)
image = [0]*dfLen
com['Image'] = image
print(com)

Answer 1

这里有一个使用带有命名捕获组的regex的快速解决方案。

regex相对于split的优势：

有些人评论说regex不是必需的，这是一个正确的说法。然而，从数据验证的角度来看，使用正则表达式有助于防止"杂散"数据悄悄进入。使用"盲"split()函数将数据拆分到(一个字符(；但是如果源数据发生了更改怎么办split函数对此视而不见。然而，使用regex将有助于突出问题，因为模式根本不匹配。是的，您可能会收到一条错误消息，但这是一件好事，因为您会收到数据格式更改的警报，从而有机会解决问题或更新regex模式。

源数据：

模拟的其他行用于演示。

0    Row 1 Ch475 Vi 17.0V BF27 Sclk 100ns 1in24 24segs
1    Row 2 Ch475 Vi 17.1V BF27 Sclk 101ns 1in24 25segs
2    Row 3 Ch475 Vi 17.2V BF27 Sclk 102ns 1in24 26segs
3    Row 4 Ch475 Vi 17.3V BF27 Sclk 103ns 1in24 27segs
4    Row 5 Ch475 Vi 17.4V BF27 Sclk 104ns 1in24 28segs

代码：

import pandas as pd
import re
path = './orig_data.txt'
cols = ['rownumber', 'volts', 'wfm', 'sclk', 'image', 'segment']
exp = re.compile(r'^d+s+Rows'
r'(?P<rownumber>d+).*s'
r'(?P<volts>d+.d+)Vs'
r'(?P<wfm>w+)sSclks'
r'(?P<sclk>d+)nss'
r'(?P<image>w+)s'
r'(?P<segment>d+)segs.*$')
df = pd.read_csv(path, sep='|', header=None, names=['comment'])
df[cols] = df['comment'].str.extract(exp, expand=True)

输出：

comment rownumber volts   wfm  
0  0    Row 1 Ch475 Vi 17.0V BF27 Sclk 100ns 1in2...         1  17.0  BF27   
1  1    Row 2 Ch475 Vi 17.1V BF27 Sclk 101ns 1in2...         2  17.1  BF27   
2  2    Row 3 Ch475 Vi 17.2V BF27 Sclk 102ns 1in2...         3  17.2  BF27   
3  3    Row 4 Ch475 Vi 17.3V BF27 Sclk 103ns 1in2...         4  17.3  BF27   
4  4    Row 5 Ch475 Vi 17.4V BF27 Sclk 104ns 1in2...         5  17.4  BF27   
sclk  image segment  
0  100  1in24      24  
1  101  1in24      25  
2  102  1in24      26  
3  103  1in24      27  
4  104  1in24      28

Answer 2

您需要将Series obj转换为字符串，然后将其拆分。之后，您可以通过其索引访问每个元素

df['Comments'].str.split(' ')
0    [Row, 1, Ch475, Vi, 17.0V, BF27, Sclk, 100ns, ...
df['Comments'].str.split(' ').str[0]
Out[7]: 
0    Row
df['Comments'].str.split(' ').str[4]
Out[8]: 
0    17.0V

如果您了解如何访问拆分中的每一列，则可以将其分配给数据帧中的新行，例如：

df['RowNumber'] = df['Comments'].str.split(' ').str[1]
df['Volts'] = df['Comments'].str.split(' ').str[4]