Python 根据内容格式化字符串

Question

在熊猫数据框中，我的行内容格式如下：

1) abc123-Target 4-ufs
2) abc123-target4-ufs
3) geo.4
4) j123T4

所有这些都应该是：目标 4

到目前为止，我的清洁程序如下：

df["point_id"] = df["point_id"].str.lower()
df["point_id"] = df['point_id'].str.replace('^.*?(?=target)', '')

这会返回：

1) target 4-ufs
2) target4-ufs
3) geo.14
4) geo.2
5) j123T4

我认为我需要的是：

a. Remove anything after the last number in the string, this solves 1
b. If 'target' does not have a space after it add a space, this with the above solves 2
c. If the string ends in a point and a number of any length remove everything before the point (incl. point) and replace with 'target ', this solves 3 and 4
d. If the string ends with a 't' followed by a number of any length remove everything before 't' and replace with 'target ', this solves 5

我正在查看 regex 和 re 但以下内容无效（在最后一个数字前添加空格）

df["point_id"] = re.sub(r'\D+$', '', df["point_id"])

Answer 1

阅读规则，您可能会使用 2 个捕获组并检查组值：

\btarget\s*(\d+)|.*[t.](\d+)$

• \btarget\s*(\d+) 匹配目标、可选空白字符并捕获 group 1 中的 1+ 个数字
• |或者
• .*[t.] 匹配 0+ 个字符，后跟 t 或 .
• (\d+)$ 在字符串末尾的group 2中捕获1+位

Regex demo | Python demo

Python 示例：

import re
import pandas as pd

pattern = r"\btarget\s*(\d+)|.*[t.](\d+)$"
strings = [
    "abc123-Target 4-ufs",
    "abc123-target4-ufs",
    "geo.4",
    "j123T4"
]

df = pd.DataFrame(strings, columns=["point_id"])

def change(s):
    m = re.search(pattern, s, re.IGNORECASE)
    return "target " + (m.group(2) if m.group(2) else m.group(1))

df["point_id"] = df["point_id"].apply(change)
print(df)

输出

   point_id
0  target 4
1  target 4
2  target 4
3  target 4

Answer 2

你可以使用

df = pd.DataFrame({'point_id':['abc123-Target 4-ufs','abc123-target4-ufs','geo.4','j123T4']})
df['point_id'] = df['point_id'].str.replace(r'(?i).*Target\s*(\d+).*', r'target \1', regex=True)
df.loc[df['point_id'].str.contains(r'(?i)\w[.t]\d+$'), 'point_id'] = 'target 4'
#    point_id
# 0  target 4
# 1  target 4
# 2  target 4
# 3  target 4

正则表达式是(?i)Target\s*\d+|\w+[.t]\d+$:

• (?i) - 不区分大小写的匹配
• .* - 除换行符之外的任何 0+ 个字符，尽可能多
• Target\s*(\d+).* - Target，零个或多个空格，以及捕获到组 1 中的一个或多个数字
• .* - 除换行符以外的任何 0+ 个字符，尽可能多

第二个正则表达式匹配

• (?i) - 不区分大小写的匹配
• \w - 一个字字符，然后
• [.t] - . 或 t 然后
• \d+$ - 字符串末尾的一位或多位数字。

第二个正则表达式用作掩码，只要模式与正则表达式匹配，point_id 列中的值就会设置为 target 4。

请参阅 regex #1 demo 和 regex #2 demo。