从正则表达式字典创建 pandas 列答案

【问题标题】：Creating a pandas column from a dictionary of regular expressions从正则表达式字典创建 pandas 列
【发布时间】：2020-06-09 13:04:52
【问题描述】：

我想创建一个列，它基本上显示了 excel 电子表格中数据的数据类型，即，如果任何给定单元格中的数据是字符串、整数或浮点数等。目前我正在使用模拟用于测试的数据，并希望最终将其用于具有更多字段标题的大型 Excel 文件。

我目前的高级方法如下：

读取 Excel 文件并创建数据框
重新格式化此表以创建一列我希望用数据类型（即，如果它是字符串、整数或浮点数）标记的所有数据，以及相应的字段标题。
创建一个“数据类型”列，其中将包含每条数据的这些标签，这些数据由正则表达式字典中保存的相应数据类型填充

import os
from glob import glob
import pandas as pd
from os import path
import re

sample_file = 'C:/Users/951297/Documents/Python Scripts/DD\\Fund_Data.xlsx'

dataf = pd.read_excel(sample_file)
dataf

    FUND ID     FUND NAME              AMOUNT
0   10101       Holdings company A     10000
1   20202       Holdings company B     2000.5
2   30303       Holdings company C     3000

# Create column list of data attributes
stackdf= dataf.stack().reset_index()
stackdf = stackdf.rename(columns={'level_0':'index','level_1':'fh',0:'attribute'})

# Create a duplicate column of attribute to apply regex
stackdf_regex = stackdf.iloc[:,2:].rename(columns = {'attribute':'Data Type'})

# Dictionary of regex to replace values within the 'Data Type' column depending on the attribute
repl_dict = {re.compile(r'^[\d]+$'):'Integer',
             re.compile(r'^[a-zA-Z0-9_ ]*$'): 'String',
             re.compile(r'[\d]+\.'): 'Float'}

#concatenate tables
pd.concat([stackdf, stackdf_regex], axis=1)

这是我希望将正则表达式应用到的重新格式化的表格：

   index    fh          attribute                Data Type
0   0      FUND ID      10101                    10101
1   0      FUND NAME    Holdings company A       Holdings company A
2   0      AMOUNT       10000                    10000
3   1      FUND ID      20202                    20202
4   1      FUND NAME    Holdings company B       Holdings company B
5   1      AMOUNT       2000.5                   2000.5
6   2      FUND ID      30303                    30303
7   2      FUND NAME    Holdings company C       Holdings company C
8   2      AMOUNT       3000                     3000

这是所需的输出：

   index    fh          attribute                Data Type
0   0      FUND ID      10101                    Integer
1   0      FUND NAME    Holdings company A       String
2   0      AMOUNT       10000                    Integer
3   1      FUND ID      20202                    Integer
4   1      FUND NAME    Holdings company B       String
5   1      AMOUNT       2000.5                   Float
6   2      FUND ID      30303                    Integer
7   2      FUND NAME    Holdings company C       String
8   2      AMOUNT       3000                     Integer

但是下面的代码会生成下表：

stackdf_regex = stackdf_regex.replace({'Data Type':repl_dict}, regex=True)
pd.concat([stackdf, stackdf_regex], axis=1)

  index     fh          attribute             Data Type
0   0       FUND ID     10101                 10101
1   0       FUND NAME   Holdings company A    String
2   0       AMOUNT      10000                 10000
3   1       FUND ID     20202                 20202
4   1       FUND NAME   Holdings company B    String
5   1       AMOUNT      2000.5                2000.5
6   2       FUND ID     30303                 30303
7   2       FUND NAME   Holdings company C    String
8   2       AMOUNT      3000                  3000

也许我的正则表达式不正确，或者我在将正则表达式应用于数据框时缺乏理解。很高兴收到有关此当前方法或我尚未考虑的其他合适/有效方法的任何建议。

注意：我希望最终扩展正则表达式字典以考虑更多数据类型，我知道检查每个单元格以查找更大数据集的模式可能效率不高，但我仍处于早期阶段。

【问题讨论】：

标签： python regex pandas dataframe

【解决方案1】：

您可以使用np.select，其中每个conditions 使用Series.str.contains 和choices 将给定的正则表达式测试到Data Type 列对应的条件：

conditions = [
    df['Data Type'].str.contains(r'^\d+$'), 
    df['Data Type'].str.contains(r'^[\w\s]+$'), 
    df['Data Type'].str.contains(r'^\d+\.\d+$')]

choices = ['Interger', 'String', 'Float']

df['Data Type'] = np.select(conditions, choices, default=None)

# print(df)
   index         fh           attribute Data Type
0      0    FUND ID               10101  Interger
1      0  FUND NAME  Holdings company A    String
2      0     AMOUNT               10000  Interger
3      1    FUND ID               20202  Interger
4      1  FUND NAME  Holdings company B    String
5      1     AMOUNT              2000.5     Float
6      2    FUND ID               30303  Interger
7      2  FUND NAME  Holdings company C    String
8      2     AMOUNT                3000  Interger

【讨论】：