从 re.search 循环替换数据框列值

Question

如何将现有数据框列的值替换为 re.search 循环中的值？

这是我的研究循环。

for i in dataset['col1']:
    clean = re.search('(nan|[0-9]{1,4})([,.][0-9]{1,4})?', i)
    print(clean.group())    

这是样本数据集（dataset）

    year    col1
1    2001    10.563\D
2    2002    9.540\A
3    2003    4.674\G
4    2004    3.2754\u
5    2005    nan\x

Answer 1

您可以使用Series.apply 将自定义函数应用于dataset["col1"]。或者，您可以使用Series.str.replace 将模式替换为替换字符串。

试试这个：

def func(i):
    clean = re.search('(nan|[0-9]{1,4})([,.][0-9]{1,4})?', i)
    return clean.group()

dataset["col1"] = dataset["col1"].apply(func)

或者更好，

df["col1"] = df["col1"].str.replace(r'(.*?)(\\.*?$)', r"\1")

输出：

>>> print(dataset)

   year    col1
0  2001  10.563
1  2002   9.540
2  2003   4.674
3  2004  3.2754
4  2005     nan

Answer 2

使用你的方法：

dataset["col1"] = dataset["col1"].apply(lambda x: re.search('(nan|[0-9]{1,4})([,.][0-9]{1,4})?', x).group())

虽然就个人而言，我会这样做：

dataset["col1"] = dataset["col1"].str[:-2]

Answer 3

您可以使用 pandas str extract，带有前瞻断言 - 它只会保留“\”之前的项目

  df['cleaned'] = df["col1"].str.extract(r'(.*(?=\\))')

     year   col1        cleaned
1   2001    10.563\D    10.563
2   2002    9.540\A     9.540
3   2003    4.674\G     4.674
4   2004    3.2754\u    3.2754
5   2005    nan\x       nan

Answer 4

在这种情况下，我会使用split 函数而不是更长的正则表达式模式：

dataset['col1'] = dataset['col1'].str.split('\\').str[0]

或者，将split转换成float数据类型：

dataset['col1'] = dataset['col1'].str.split('\\').str[0].astype(float)

这将在适当的位置转换这些值，并且不容易出错。如果存在反斜杠，它总是从结果数组中获取第一个元素。

结果：

   year    col1
0  2001  10.563
1  2002   9.540
2  2003   4.674
3  2004  3.2754
4  2005     nan