将 excel 文件名转换为 pandas 数据框列

Question

我有大约 1500 个格式类似的 excel 文件。我需要清理和准备要摄取到可视化工具中的数据。大部分清洁工作都很容易，我已经处理好了。我现在正在处理一个文件，完成后我将遍历所有文件。

import pandas as pd
import os

userhome = os.path.expanduser('~/')
path_to_file = userhome + 'Downloads/arunachal-pradesh/'
file_name = 'Maker Month Wise Data  of WEST KAMENG - AR4 , Arunachal Pradesh (2020).xlsx'

df = pd.read_excel(path_to_file + file_name)
df.columns = df.iloc[2]
df = df.drop(df.index[0:3])
df = df.iloc[:,1:14]
df.rename(columns={df.columns[0]: "Maker"}, inplace = True)
df.head(30)

这会输出一个如下所示的数据框：

现在我的挑战是我需要使用文件名来提取 3 个数据点 - RTO、州和年份，并将它们添加为数据框中的三个单独的列。这是我拥有的文件的简短示例：

Maker Month Wise Data  of WEST KAMENG - AR4 , Arunachal Pradesh (2020).xlsx
Maker Month Wise Data  of UPPER SIANG - AR14 , Arunachal Pradesh (2020).xlsx
Maker Month Wise Data  of TIRAP - AR13 , Arunachal Pradesh (2020).xlsx
Maker Month Wise Data  of CHANGLANG - AR12 , Arunachal Pradesh (2020).xlsx
Maker Month Wise Data  of UPPER SUBANSIRI - AR7 , Arunachal Pradesh (2020).xlsx
Maker Month Wise Data  of KURUNG KUMEY - AR15 , Arunachal Pradesh (2020).xlsx
Maker Month Wise Data  of ITANAGAR CAPITAL COMPLEX - AR1 , Arunachal Pradesh (2020).xlsx
Maker Month Wise Data  of TAWANG - AR3 , Arunachal Pradesh (2020).xlsx
Maker Month Wise Data  of LOWER DIBANG VALLEY - AR16 , Arunachal Pradesh (2020).xlsx
Maker Month Wise Data  of LOWER SUBANSIRI - AR6 , Arunachal Pradesh (2020).xlsx
Maker Month Wise Data  of KAMLE - AR23 , Arunachal Pradesh (2020).xlsx
Maker Month Wise Data  of YUPIA - AR2 , Arunachal Pradesh (2020).xlsx
Maker Month Wise Data  of EAST SIANG - AR9 , Arunachal Pradesh (2020).xlsx
Maker Month Wise Data  of EAST KAMENG - AR5 , Arunachal Pradesh (2020).xlsx
Maker Month Wise Data  of LOHIT - AR11 , Arunachal Pradesh (2020).xlsx
Maker Month Wise Data  of NAMSAI - AR20 , Arunachal Pradesh (2020).xlsx
Maker Month Wise Data  of SHI-YOMI - AR26 , Arunachal Pradesh (2020).xlsx
Maker Month Wise Data  of WEST SIANG - AR8 , Arunachal Pradesh (2020).xlsx

如您所见，它们的格式相似。 RTO 是介于“of”和逗号之间的所有内容。因此，对于第一个文件，RTO 将是WEST KAMENG - AR4。这些文件的状态是Arunachal Pradesh，但它会在完整的文件列表中发生变化。年份是2020。

我一直在尝试使用 regex101 来捕获这些参数，但我对 regex 不太擅长，并且无法找出正确的语法。

我们将不胜感激！

Answer 1

你可以使用

df[['RTO','State','Year']] = df['Maker'].str.extract(r'\s+of\s(.*?)\s*,\s*(.*?)\s*\((\d{4})\)', expand=True)

请参阅regex demo。 详情：

• \s+ - 一个或多个空格
• of - 一句话of
• \s+ 一个或多个空格
• (.*?) - 第 1 组：除换行符之外的任何零个或多个字符尽可能少
• \s*,\s* - 用 0+ 个空格括起来的逗号
• (.*?) - 第 2 组：除换行符之外的任何零个或多个字符尽可能少
• \s* - 0+ 个空格
• \( - 一个 ( 字符
• (\d{4}) - 第 3 组：四位数
• \) - ) 字符。