为什么我在将新字段附加到数据框时得到所有 NAN？

Question

这对我来说很奇怪。我有一个数据框，其中的字段具有文件名，如下所示。

df['file']

文件名如下所示。

0     FFIEC CDR Call Schedule RCB02 03312011.txt
1     FFIEC CDR Call Schedule RCB02 03312011.txt
2     FFIEC CDR Call Schedule RCB02 03312011.txt
3     FFIEC CDR Call Schedule RCB02 03312011.txt
4     FFIEC CDR Call Schedule RCB02 03312011.txt
5     FFIEC CDR Call Schedule RCB02 03312011.txt

我怎样才能解析出最后两个空格之间的最后一个字符串，所以看起来像这样。

RCB02

我正在尝试将其附加到数据框中，就像这样。

grouped_and_summed['schedule_code'] = df['file'].str[24:27]

当我查看数据框时，我有所有的 NAN。

我想要的是让grouped_and_summed 数据框有RCB02，正确显示，并显示为数据框中的第一列。我该怎么做？

Answer 1

您可以使用Series.str.extract方法和一些简单的正则表达式，然后将新列设置为结果集的.values：

df.loc[:, "schedule_code"] = df["file"].str.extract(r"FFIEC CDR Call Schedule (\w+) \d+\.txt").values

输出 -

                                         file schedule_code
0  FFIEC CDR Call Schedule RCB02 03312011.txt         RCB02
1  FFIEC CDR Call Schedule RCB02 03312011.txt         RCB02
2  FFIEC CDR Call Schedule RCB02 03312011.txt         RCB02
3  FFIEC CDR Call Schedule RCB02 03312011.txt         RCB02
4  FFIEC CDR Call Schedule RCB02 03312011.txt         RCB02
5  FFIEC CDR Call Schedule RCB02 03312011.txt         RCB02

验证

它确实使事情保持一致。这是最后一个 RCB 值不同的另一个数据框：

                                         file
0  FFIEC CDR Call Schedule RCB02 03312011.txt
1  FFIEC CDR Call Schedule RCB02 03312011.txt
2  FFIEC CDR Call Schedule RCB02 03312011.txt
3  FFIEC CDR Call Schedule RCB02 03312011.txt
4  FFIEC CDR Call Schedule RCB02 03312011.txt
5  FFIEC CDR Call Schedule RCB03 03312011.txt # I'm different!

输出是：

                                         file schedule_code
0  FFIEC CDR Call Schedule RCB02 03312011.txt         RCB02
1  FFIEC CDR Call Schedule RCB02 03312011.txt         RCB02
2  FFIEC CDR Call Schedule RCB02 03312011.txt         RCB02
3  FFIEC CDR Call Schedule RCB02 03312011.txt         RCB02
4  FFIEC CDR Call Schedule RCB02 03312011.txt         RCB02
5  FFIEC CDR Call Schedule RCB03 03312011.txt         RCB03 # Still here!