.str.split() 正在删除最后一个字符答案

【问题标题】：.str.split() is removing the last character.str.split() 正在删除最后一个字符
【发布时间】：2023-04-05 18:21:01
【问题描述】：

def clean_hrefs(allHrefs): 
    links = {'links' : allHrefs}
    df = pd.DataFrame(links).drop_duplicates()
    df = df[df['links'].str.contains('financial|investors|investor|Investors|Investor|INVESTORS|INVESTOR|relations|relation|Relations|Relation|report|filings|news|media')]
    df['segment'] = df['links'].str.split(r'\w/')
    return df

clean_hrefs() 函数接受一个漂亮的汤结果集“allHrefs”，其中包含网页的所有href 值，并将其分配到字典链接中。 df 数据框只存储唯一的链接以及其中包含某些关键字的链接。

在那之后，我尝试拆分到目前为止得到的链接，例如：例如，存储在数据框中的第一个链接是：

https://www.example.com/news-and-media/press-releases?page=/en/pressreleases/example-performs-first-crash-test-of-an-e-scooter-airbag- 1769461

代码：

df['segment'] = df['links'].str.split(r'\w/')

正在创建另一个名为segments的列并提供以下输出：

['https://www.example.co', 'news-and-medi', 'press-releases?page=/e', 'pressrelease', 'example-performs-first-crash-test-of-an-e-scooter-airbag-1769461']

我希望输出在哪里：

['https://www.example.com', 'news-and-media', 'press-releases?page=','en', 'pressreleases', 'example-performs-first-crash-test-of-an-e-scooter-airbag-1769461']

任何帮助将不胜感激！

【问题讨论】：

标签： python regex pandas dataframe split

【解决方案1】：

\w matches any word character (equal to [a-zA-Z0-9_])

因此，您将url 拆分为[a-zA-Z0-9_]/，在您的示例中通常包括斜杠前面的字符。

假设您不想在https:// 上拆分，您可以使用

re.split(r'(?<!\/|:)\/', string)
#['https://www.example.com', 'news-and-media', 'press-releases?page=', 'en', 'pressreleases', 'example-performs-first-crash-test-of-an-e-scooter-airbag-1769461']

正则表达式分解

(?<!\/|:) - 负向查找以确保 / 前面没有另一个斜杠或 :
\/ - 匹配任何/

【讨论】：