Python：将字段值提取到新列中，写入 Excel

Question

我正在读取 CSV 文件并打算写入 Excel 文件。 CSV 文件只有两列，但我想在写入 Excel 之前使用正则表达式提取列数据并创建新列。

CSV 文件：test.csv

name, file_info
test, c:\folder1\subfolder1\subfolder2\example.xls | history 12345 at 2020-01-01

这是我目前的代码：

import csv

with open('test.csv',mode='r') as testFile
     reader = csv.DictReader(testFile, delimiter=',')
     for row in reader:
          ### This is where i assume i need to perform the regex operation on the current row

我想将文件名 (example.xlsx)、历史记录 (12345) 和日期 (2020-01-01) 提取为 Excel 文件中的列。

我成功地测试了一个正则表达式

"\\([^\\|]*)\s*\|\"

我确信有多种方法可以做到这一点。熊猫会更好吗？我可以通过以下方式简单地读取和写入文件到 excel：

df = pd.read_csv('test.csv')
df.to_excel('text.xlsx)

我对 Pandas 没有任何经验，因此不确定如何使用正则表达式执行我想要的操作并将它们结合在一起。

最终产品是一个包含五 (5) 列的 Excel 电子表格

name | path | file | history | date

Answer 1

这是一种使用 Pandas df['column'].str.extract() 函数的技术。

您可以将已编译（或未编译）的正则表达式字符串传递给extract() 函数。这将使用表达式中的命名组并将这些组提取到具有相同名称的列中。

样本数据：

name,file_info
test1,c:\folder1\subfolder1\subfolder2\example1.xls | history 12345 at 2020-01-01
test2,c:\folder1\subfolder1\subfolder2\example2.xls | history 24687 at 2020-01-12
test3,c:\folder1\subfolder1\subfolder2\example3.xls | history 33445 at 2020-01-13
test4,c:\folder1\subfolder1\subfolder2\example4.xls | history 55664 at 2020-01-14

代码：

import os
import pandas as pd
import re

# Define constants
COLS = ['name', 'path', 'file', 'history', 'date']
PATH = './test.csv'
PATH_XL = './test.xlsx'
RE_EXP = re.compile(r'^'
                    '(?P<path>.*)\|\shistory\s'
                    '(?P<history>\d+)\sat\s'
                    '(?P<date>\d{4}-\d{2}-\d{2})$',
                    re.IGNORECASE)

# Read CSV file.
df = pd.read_csv(PATH)
# Create new columns using named regex groups.
df[['path', 'history', 'date']] = df['file_info'].str.extract(RE_EXP)
# Extract the filename from the path using a built-in function.
df['file'] = df['path'].apply(os.path.basename)
# Convert date to datetime format.
df['date'] = pd.to_datetime(df['date'], format='%Y-%m-%d').dt.date
# Subset DataFrame to only the columns we require.
df = df[COLS]
# Write results to Excel.
df.to_excel(PATH_XL, index=False)

Excel 输出：