根据熊猫中的某些条件拆分以逗号分隔的列答案

【问题标题】：Split a column which is separated by comma based on certain condition in pandas根据熊猫中的某些条件拆分以逗号分隔的列
【发布时间】：2021-07-02 09:41:40
【问题描述】：

我有一个数据框

df = pd.DataFrame([["A","a*k,x*k,z,c*m,r,s,f*f,e*d"], ["B","h*t,y,a,w*b,Z,c*b,i*t,f*f"]], columns=["id","c1"])

我想在以下条件下拆分以逗号分隔的列 c1：

只保留那些带有 * 的字符串
如果 * 之后如果有任何重复的字母，则不要考虑 2ns 字符串取下一个。
保留唯一的前 3 个字符串并将它们拆分为 * 并制作 2 个单独的列

示例：对于 c1 中的第一行，

z,r,s 没有 *，所以删除它们
在 a*k 和 x *k 中，k 是重复的，所以保留第一个
所以前 3 名将是 a*k、c *m、f *f，将其拆分为 2 列 c2、a、c、f 和 c3 k、m、f。

预期输出：

df_out = pd.DataFrame([["A","a*k,x*k,z,c*m,r,s,f*f,e*d","a,c,f","k,m,f"], ["B","h*t,y,a,w*b,Z,c*b,i*b,f*f","h,w,f","t,b,f"]], columns=["id","c1","c2","c3"])

怎么做？

【问题讨论】：

标签： python python-3.x pandas python-2.7 dataframe

【解决方案1】：

您可以使用 pd.Series.str.extractall 和 GroupBy.apply 删除重复项并获取前 3 个字符串。

out = df["c1"].str.extractall(r"(.)\*(.)").groupby(level=0)
df[["c2", "c3"]] = out.apply(
    lambda x: x.drop_duplicates(subset=1).head(3).agg(",".join)
)

# df
  id                         c1     c2     c3
0  A  a*k,x*k,z,c*m,r,s,f*f,e*d  a,c,f  k,m,f
1  B  h*t,y,a,w*b,Z,c*b,i*t,f*f  h,w,f  t,b,f

【讨论】：

如果我需要输出而不是 c2 中的 a、c、f，则更改为 a *k、c *m、f *f 在 c2 和 c3 中未更改 k、m、f。需要做哪些修改？
@Chethan 请不要在有人回答后更改问题。它完全使回答者付出的努力无效。
For what modification need to be done? 你想要c1 到a*k, c*m, f*f 然后直接用这个正则表达式r'(.\*.)' 提取，你已经被* 分割，删除重复项，取第一个三个。恕我直言，值得提出一个新问题。 @Chethan

【解决方案2】：

首先定义一个函数来生成2个新列：

def newCols(lst):
    return pd.Series(filter(lambda tt: tt.find('*') >= 0, lst))\
        .str.split('*', expand=True)\
        .rename(columns={0: 'c2', 1: 'c3'})\
        .drop_duplicates(subset='c3').iloc[:3]\
        .apply(lambda col: ','.join(col))

然后生成结果为：

result = df.join(df.c1.str.split(',').apply(newCols))

结果是：

  id                         c1     c2     c3
0  A  a*k,x*k,z,c*m,r,s,f*f,e*d  a,c,f  k,m,f
1  B  h*t,y,a,w*b,Z,c*b,i*t,f*f  h,w,f  t,b,f

newCols中的处理步骤

pd.Series(filter(lambda tt: tt.find('*') >= 0, lst)) - 创建 Series 来自包含星号的元素。
str.split('*', expand=True) - 将其转换为 DataFrame。
rename(columns={0: 'c2', 1: 'c3'}) - 将列重命名为 'c2' 和 'c3'。
drop_duplicates(subset='c3') - 删除重复行（具有相同的 c3）。
iloc[:3] - 只取 3 个初始行。
apply(lambda col: ','.join(col) - 将每一列连接成一个字符串。

尝试将它们作为“不断扩展的代码”执行，在：

lst = ['a*k', 'x*k', 'z', 'c*m', 'r', 's', 'f*f', 'e*d']

（来自第一个源行的结果）。

【讨论】：