[PYTHON] Methode zur Extraktion von Stapeldaten unter Verwendung regulärer Ausdrücke aus Serien

Extrahieren von Zeichen aus Seirie durch regulären Ausdruck

So extrahieren Sie nur die Zeichenfolgen, die für reguläre Ausdrücke erforderlich sind, aus Dateien, die nicht mit Trennzeichen "," gelesen werden können, wie unten in Pandas gezeigt, und machen sie zu DataFrame

Wenn Sie die folgenden Beispieldaten so lesen, wie sie sind, tritt ein Fehler auf, da die Anzahl der Spalten unterschiedlich ist.

test.csv

value1=12333,value2(fuga,hoge),value3=fuga
value1=111,value2(hoge),value3=fugahoge

Lesen Sie beim Lesen zuerst als Datenzeile.

In[2]: import pandas as pd
In[3]: df = pd.read_csv('test.csv',header=None,sep='\t')
In[4]: df
Out[4]: 
                                            0
0  value1=12333,value2(fuga,hoge),value3=fuga
1     value1=111,value2(hoge),value3=fugahoge

Verwenden Sie Series.str.extract (), um mit einem regulären Ausdruck zu teilen.

In[5]: df[0].str.extract('value1=(?P<val1>\d+),value2\((?P<val2>[\w,]+)\),value3=(?P<val3>.*)')
Out[5]: 
    val1       val2      val3
0  12333  fuga,hoge      fuga
1    111       hoge  fugahoge

Der Spaltenname kann im Teil von "? P \ " angegeben werden. Dies ist der Wert, der tatsächlich aus dem Inhalt von "()" extrahiert wurde. Wenn nicht angegeben, werden die Nummern von Anfang an in der Reihenfolge zugewiesen.

Da der extrahierte Wert als Objekt zurückgegeben wird, ist es außerdem erforderlich, ihn gegebenenfalls in einen int-Typ oder dergleichen zu ändern.

Referenz

http://sinhrks.hatenablog.com/entry/2014/12/06/233032