如何提取 pandas 数据框单元格中的字符串的一部分并创建一个包含该字符串的新列

Question

我有一个数据框，其中一列包含一个很长的字符串，其中包含很多信息，我需要将这些信息分解为单独的列并将它们添加到数据框中。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、伏特、Wfm、Sclk、图像、段1 , 17 , BF27 , 100 , 1in24 , 24数据                                              Comments  Image0    Row 1 Ch475 Vi 17.0V BF27 Sclk 100ns 1in24 24segs      01    Row 1 Ch475 Vi 17.0V BF27 Sclk 100ns 1in24 24segs      02    Row 1 Ch475 Vi 17.0V BF27 Sclk 100ns 1in24 24segs      03    Row 1 Ch475 Vi 17.0V BF27 Sclk 100ns 1in24 24segs      04    Row 1 Ch475 Vi 17.0V BF27 Sclk 100ns 1in24 24segs      0..                                                 ...    ...706  Row 2 Ch475 Vi 17.5V BF27 Sclk 100ns 1in24 24segs      0707  Row 2 Ch475 Vi 17.5V BF27 Sclk 100ns 1in24 24segs      0708  Row 2 Ch475 Vi 17.5V BF27 Sclk 100ns 1in24 24segs      0709  Row 2 Ch475 Vi 17.5V BF27 Sclk 100ns 1in24 24segs      0710  Row 2 Ch475 Vi 17.5V BF27 Sclk 100ns 1in24 24segs      0代码import pandas as pdimport numpy as nppath = "/Users/.../Desktop/tk_gui_grid/"file = "orig_data.txt"filepath = path+filedf = pd.read_csv(filepath, sep='\t', lineterminator='\r')com = df.loc[:,['Comments']]dfLen = len(com)image = [0]*dfLencom['Image'] = imageprint(com)

Answer 1

这是使用正则表达式和命名捕获组的快速解决方案。

正则表达式的优点split：

有些人评论说不需要正则表达式，这是一个真实的说法。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”函数将split()数据分割为（一个字符）；但如果源数据发生了变化怎么办？该split函数对此是盲目的。然而，使用正则表达式将有助于突出显示问题，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，从而提供解决问题或更新正则表达式模式的机会。

来源数据：

模拟额外的行以进行演示。

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+Row\s'

                 r'(?P<rownumber>\d+).*\s'

                 r'(?P<volts>\d+\.\d+)V\s'

                 r'(?P<wfm>\w+)\sSclk\s'

                 r'(?P<sclk>\d+)ns\s'

                 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，您可以将其分配给数据框中的新行，例如：

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

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