从产品描述中提取数字数据

Question

我正在使用 python3。

我正在尝试从产品描述中提取数字数据。然而，有时同一产品有不同的描述，这会导致结果相互矛盾。

我的代码是：

import pandas as pd
import re
data = {'desc':['1 oz Silver Eagles Monster Box  (500 pc)', 'Silver Eagle Monster Box (500 pcs 1 oz coins)', '2021 10 oz Silver Royal Canadian Mint Bar'], 'inventory':['in stock', 'in stock', 'out of stock']}
df=pd.DataFrame(data)
df['ounces']=df['desc'].str.extract(r'(\d+ pc|\d+ oz)')
print(df)

我得到的是：

                                            desc     inventory  ounces
0       1 oz Silver Eagles Monster Box  (500 pc)      in stock    1 oz
1  Silver Eagle Monster Box (500 pcs 1 oz coins)      in stock  500 pc
2      2021 10 oz Silver Royal Canadian Mint Bar  out of stock   10 oz

显然前 2 项是相同的。我希望正则表达式首先在整个描述中查找“pc”，然后如果没有找到，则查找“oz”，但这不是它的作用。我需要得到的是：

                                            desc     inventory  ounces
0       1 oz Silver Eagles Monster Box  (500 pc)      in stock  500 pc
1  Silver Eagle Monster Box (500 pcs 1 oz coins)      in stock  500 pc
2      2021 10 oz Silver Royal Canadian Mint Bar  out of stock   10 oz

我的原始数据框没有盎司，我正在尝试添加该列并同时提取正确的数据。我应该以不同的方式解决这个问题吗？

Answer 1

你可以使用

>>> df['ounces'] = df['desc'].str.findall(r'(?:.*\D)?(\d+ pc)|(\d+ oz)').str[0].str.join('')
>>> df
                                            desc     inventory  ounces
0       1 oz Silver Eagles Monster Box  (500 pc)      in stock  500 pc
1  Silver Eagle Monster Box (500 pcs 1 oz coins)      in stock  500 pc
2      2021 10 oz Silver Royal Canadian Mint Bar  out of stock   10 oz

(?:.*\D)?(\d+ pc)|(\d+ oz) 模式将优先考虑匹配pc 的第一个捕获组，而oz 部分仅在出现在pc 之后才会匹配。

请参阅regex demo。

由于Series.str.findall返回所有模式匹配，.str[0]只需要获取第一个结果，.str.join('')将元组（因为模式中有两个组，findall返回元组列表）转换为一个字符串（因为其中一个组值将始终为空）。