主页 / coding / 问题 / 78916021
Accepted
eazyezy
Asked: 2024-08-27 03:25:11 +0800 CST

根据正则表达式模式合并熊猫数据框中的多行

  • 772

我有一个与此类似的单列数据框：

cat = { 'cat': ['a','b','c-','        -d','e']}
df = pd.DataFrame(cat)

>>> print(df)
          cat
0           a
1           b
2          c-
3          -d
4           e

我需要合并第 2 行和第 3 行：

          cat
0           a
1           b
2          cd
3          e

我尝试使用正则表达式，因为这些多行数据始终采用“-\n {8}-”格式。但是这不起作用：

df['cat'] = df['cat'].str.replace("-\n {8}-","",flags=re.M)

我无法使用任何分组技术，所以我有点不知所措。感谢您的任何建议。

python

3 个回答

  1. Best Answer

    您可以使用一种方法来识别以 结尾或以 开头的groupby字符串：- {8}-

    m1 = df['cat'].str.endswith('-')
m2 = df['cat'].str.match(' {8}-')
group = (~(m1.shift(fill_value=False) & m2)).cumsum().rename()

out = (df['cat'].groupby(group)
       .agg(lambda x: ''.join(x).replace('-        -', ''))
       .to_frame()
      )

    输出：

      cat
1   a
2   b
3  cd
4   e

    中间体：

              cat     m1     m2  group
0           a  False  False      1
1           b  False  False      2
2          c-   True  False      3
3          -d  False   True      3
4           e  False  False      4

    或者不使用熊猫，join所有字符串都使用自定义分隔符（例如\n，再次替换split）：

    import re

out = pd.DataFrame({'col': re.sub(r'-\n {8}-', '', '\n'.join(df['cat']))
                             .split('\n')})

    输出：

      col
0   a
1   b
2  cd
3   e
    • 1

  2. 我会这样做：

    1. 连接移位一或非移位的“cat”字符串
    2. 在新创建的值中搜索正则表达式模式
    3. 过滤/更新数据框
    4. 用空字符串替换多行值
    tmp = df["cat"].shift() + df["cat"]
m = tmp.str.contains(r"-\s{8,}-").eq(True)

df = df[~m.shift(-1).eq(True)]
df.update(tmp[m])

df["cat"] = df["cat"].str.replace(r"-\s{8,}-", "", regex=True)

print(df)

    印刷：

      cat
0   a
1   b
3  cd
4   e
    • 1

  3. 另一种可能的解决方案基于以下步骤：

    1. n它更新行索引和列处的单元格中的值cat。这个新值的计算方法是将 中的当前值添加cat到列的下一行 ( n+1)中的值cat，使用空字符串填充任何缺失值。然后通过删除模式 的任何出现来清理结果'-\n {8}-'，并将此清理后的系列的行索引中的值n分配回df.loc[n, 'cat']。

    2. 然后，它从数据框中删除索引处的行n+1并重置索引以确保其连续，并丢弃旧索引。

    n = 2

df.loc[n, 'cat'] = (df['cat'].add(df['cat'].shift(-1), fill_value='')
                    .str.replace(r'-\n {8}-', '', regex=True).iloc[n])
df.drop(df.index[n+1]).reset_index(drop=True)

    输出：

      cat
0   a
1   b
2  cd
3   e
    • 1

相关问题