使用 np.where 提取项目出现错误索引超出范围

Question

我想从两列中提取一个项目，使用 np.where，DataFrame 如下： （总共 100,000+ 行）

添加说明：“eNBID”并不总是“ID”的第三部分，数据非常脏。

       ID         eNBID
460-00-2354-9     2354
4600023549        2354
46001368511       6789
4600332783112     32783

我想要的结果是：

       ID         eNBID     CI
460-00-2354-9     2354       9
4600023549        2354       9
46001368511       6789       11
4600332783112     32783      112

我的代码是：

df['Ci'] = np.where(df['ID'].astype(str).str.contains(r'-',na=False,regex=True), \
           df['ID'].apply(lambda x:re.split('-',str(x))[-1], \
           df.apply(lambda x:re.findall('([\w]{5})'+'([\w]{%d}'%(len(str(x.eNBID)))+'(\w*)',str(x.ID))[0][-1], axis=1))

错误是：

IndexError:('list index out of range','occurred at index 0')

这是我的新代码：

cond = df['ID'].astype(str).str.contains('-',na=False,regex=True)
df['CI'] = np.where(cond,df['ID'].apply(lambda x:re.split('-',str(x))[-1]), \
          df[~cond].apply(lambda x:re.findall('([\w]{5})'+'([\w]{%d}'%(len(str(x.eNBID)))+'(\w*)',str(x.ID))[0][-1], axis=1)) if len(str(x.eNBID))<(len(str(x.ID))-5) else "null", axis=1))

错误是：

ValueError:operands could not be broadcast together with shapes(100883,)(100883,)(78,)

谁能帮帮我？

Answer 1

试试这个

df['s']=df['ID'].replace('-','', regex=True)
df['Ci'] = df.apply(lambda x: x['s'][(5+len(str(x.eNBID))):], axis=1)
df.drop('s', axis=1, inplace = True)

输出

     ID            eNBID    Ci
0   460-00-2354-9   2354    9
1   4600023549      2354    9
2   46001368511     6789    11
3   4600332783112   32783   112

Answer 2

因为这是在R 中标记的，所以这里有一个解决方案：

data$CI = sapply(1:nrow(data),function(x){
  gsub(paste0(".*",data$eNBID[x],"-?"),"",data$ID[x])
})

             ID eNBID  CI
1 460-00-2354-9  2354   9
2    4600023549  2354   9
3   46001368511 36851   1
4 4600332783112 32783 112

我们删除直到eNBID 之前的所有字符，以及（可选）- 字符。

数据

data = read.table(textConnection(" 
460-00-2354-9     2354
                                 4600023549        2354
                                 46001368511       36851
                                 4600332783112     32783"),stringsAsFactors=FALSE)
names(data)=c("ID","eNBID")

Answer 3

您使用re 和np.where 的逻辑几乎就在那里：

import re

df['CI'] = np.where(df['ID'].str.contains('-'),
                    df.apply(lambda x: re.findall(f'(?<={x.eNBID}\-)(\d+)', x['ID']), axis=1),
                    df.apply(lambda x: re.findall(f'(?<={x.eNBID})(\d+)', x['ID']), axis=1))

df['CI'] = df['CI'].str.join('')

输出

              ID  eNBID   CI
0  460-00-2354-9   2354    9
1     4600023549   2354    9
2    46001368511  36851    1
3  4600332783112  32783  112