RegEx 将地址拆分为三个不同的系列 [第 1 部分]

Question

我正在使用包含客户信息的数据集来试验/学习 Python。

DataFrame 结构如下（这些是组成的记录）：

import pandas as pd
import numpy as np

df = pd.DataFrame({'cus_name' : ['James', 'Mary', 'David', 'Linda', 'George', 'Jennifer', 'John', 'Maria', 'Charles', 'Helen'],
                   'address' : ['Main St 59', 'Yellow Av 11 b.F1', 'Terrazzo Way 100-102', np.nan, 'Hamilton St 159 b.A/B', np.nan, 'Henry St 7 D', 'Mc-Kenzie Av 40P b.1', 'Neptune Av 14 15 b.G', np.nan ], 
                   'postal_code' : [1410, 1210, 1020, np.nan, 1310, np.nan, 1080, 1190, 1040, np.nan], 
                  })

print(df)

   cus_name                address  postal_code
0     James             Main St 59       1410.0
1      Mary      Yellow Av 11 b.F1       1210.0
2     David   Terrazzo Way 100-102       1020.0
3     Linda                    NaN          NaN
4    George  Hamilton St 159 b.A/B       1310.0
5  Jennifer                    NaN          NaN
6      John           Henry St 7 D       1080.0
7     Maria   Mc-Kenzie Av 40P b.1       1190.0
8   Charles   Neptune Av 14 15 b.G       1040.0
9     Helen                    NaN          NaN

我对@9​​87654322@ 系列特别感兴趣。具体来说，我的目标是将 street、number 和 box 的信息“拆分”为三个不同的 Series。

例如，转换后，第一和第七条记录/行应如下所示：

| cus_name | street       | number | box | postal_code |
|----------|--------------|--------|-----|-------------|
| James    | Main St      | 59     | NaN | 1410        |
| Maria    | Mc-Kenzie Av | 40P    | 1   | 1190.0      |

起初，我不知道如何解决这个问题。在这里做了一些研究之后，我发现了一些使用正则表达式的有趣的相关帖子。

由于我不是 Python 专家（也不是正则表达式），我想我可以从识别 address 系列中的模式开始。其实每个地址都有如下模式：

• 位于字符串开头的 street 部分。它由一个或多个以空格字符或破折号分隔的单词组成（例如Mc-Kenzie Av）；

• 位于字符串中间的数字部分。它由一个或多个由空格字符或破折号分隔的字母数字单词组成（例如100-102、7 D）；

• 位于字符串末尾的 box 部分。它总是紧跟在b.characters 之后，由一个包含字母数字字符和可能的一些特殊字符（例如A/B、F1）的单词组成。

我正在寻求帮助以使用正则表达式实现我想要的目标（如果正则表达式是解决方案）。

Answer 1

另一种正则表达式方法：

In [913]: df[['street', 'number', 'box']] = df.address.str.extract(r'(\D+)\s+(\d+[\s-]?(?!b)\w*)(?:\s+b\.)?(\S+)?', expand=True)

In [914]: df
Out[914]: 
   cus_name                address  postal_code        street   number  box
0     James             Main St 59       1410.0       Main St       59  NaN
1      Mary      Yellow Av 11 b.F1       1210.0     Yellow Av       11   F1
2     David   Terrazzo Way 100-102       1020.0  Terrazzo Way  100-102  NaN
3     Linda                    NaN          NaN           NaN      NaN  NaN
4    George  Hamilton St 159 b.A/B       1310.0   Hamilton St      159  A/B
5  Jennifer                    NaN          NaN           NaN      NaN  NaN
6      John           Henry St 7 D       1080.0      Henry St      7 D  NaN
7     Maria   Mc-Kenzie Av 40P b.1       1190.0  Mc-Kenzie Av      40P    1
8   Charles   Neptune Av 14 15 b.G       1040.0    Neptune Av    14 15    G
9     Helen                    NaN          NaN           NaN      NaN  NaN

Answer 2

你可以试试这个模式：

pattern = "^(?P<street>.+)\s+(?P<number>[\d\w]+)\s+b\.(?P<box>.*)$"
df['address'].str.extract(pattern)

输出

          street number  box
0            NaN    NaN  NaN
1      Yellow Av     11   F1
2            NaN    NaN  NaN
3            NaN    NaN  NaN
4    Hamilton St    159  A/B
5            NaN    NaN  NaN
6            NaN    NaN  NaN
7   Mc-Kenzie Av    40P    1
8  Neptune Av 14     15    G
9            NaN    NaN  NaN

如需说明，请粘贴模式here。

如果您要求街道严格没有数字，例如上面第 8 行，使用这种模式：

pattern = "^(?P<street>[\D]+)\s+(?P<number>[\w\s]+)\s+b\.(?P<box>.*)$"

给出：

         street number  box
0           NaN    NaN  NaN
1     Yellow Av     11   F1
2           NaN    NaN  NaN
3           NaN    NaN  NaN
4   Hamilton St    159  A/B
5           NaN    NaN  NaN
6           NaN    NaN  NaN
7  Mc-Kenzie Av    40P    1
8    Neptune Av  14 15    G
9           NaN    NaN  NaN