Início / coding / Perguntas / 78915747
Accepted
blaylockbk
Asked: 2024-08-27 01:53:38 +0800 CST

Como dividir n vezes corretamente no dataframe python polars (imitar pandas rsplit)

  • 772

Eu tenho uma coluna de strings onde a parte final contém algumas informações que preciso analisar em suas próprias colunas. Pandas tem a função rsplit para dividir uma string da direita, que faz exatamente o que preciso:

import pandas as pd
pd.DataFrame(
    {
        "name": [
            "some_name_set_1",
            "some_name_set_1b",
            "some_other_name_set_2",
            "yet_another_name_set_2",
        ]
    }
)["name"].str.rsplit("_", n=2, expand=True)

                  0    1   2
0         some_name  set   1
1         some_name  set  1b
2   some_other_name  set   2
3  yet_another_name  set   2

Como posso imitar esse comportamento em Polars, que não tem rsplitexpressão no momento?

python-polars

3 respostas

  1. Aqui está uma maneira de usar apenas uma .splite depois três operações slice/get diferentes para obter as 3 partes:

    df = pl.DataFrame(
    {
        "name": [
            "some_name_set_1",
            "some_name_set_1b",
            "some_other_name_set_2",
            "yet_another_name_set_2",
        ]
    }
)

df = df.select(parts=pl.col("name").str.split("_")).select(
    a=pl.col("parts").list.slice(0, pl.col("parts").list.len() - 2).list.join("_"),
    b=pl.col("parts").list.get(-2),
    c=pl.col("parts").list.get(-1),
)

print(df)

    Saída:

    shape: (4, 3)
┌──────────────────┬─────┬─────┐
│ a                ┆ b   ┆ c   │
│ ---              ┆ --- ┆ --- │
│ str              ┆ str ┆ str │
╞══════════════════╪═════╪═════╡
│ some_name        ┆ set ┆ 1   │
│ some_name        ┆ set ┆ 1b  │
│ some_other_name  ┆ set ┆ 2   │
│ yet_another_name ┆ set ┆ 2   │
└──────────────────┴─────┴─────┘

    Relacionado: Este problema está rastreando a adição de rightdivisão de strings.

    • 1
  2. Best Answer

    Um único separador de caracteres pode ser expresso em termos de regex:

    df.select(
   pl.col("name").str.extract_groups(r"(.+)_([^_]+)_([^_]+)$")
     .struct.field("*")
)

    shape: (4, 3)
┌──────────────────┬─────┬─────┐
│ 1                ┆ 2   ┆ 3   │
│ ---              ┆ --- ┆ --- │
│ str              ┆ str ┆ str │
╞══════════════════╪═════╪═════╡
│ some_name        ┆ set ┆ 1   │
│ some_name        ┆ set ┆ 1b  │
│ some_other_name  ┆ set ┆ 2   │
│ yet_another_name ┆ set ┆ 2   │
└──────────────────┴─────┴─────┘

    Mas é limitado e um tanto estranho de grocar/digitar.

    • 1

  3. Uma solução é fazer isso em duas partes

    Para a parte do nome (o lado esquerdo da string):

    1. Divida a lista
    2. Inverta a lista
    3. Obtenha do terceiro ao n-ésimo item da lista
    4. Inverta a lista novamente
    5. Junte-se à lista com o delimitador original

    Para a parte do conjunto e do número:

    1. Divida a lista
    2. Obtenha o penúltimo item até o final
    3. Converter para struct e desaninhar
    pl.DataFrame(
    {
        "name": [
            "some_name_set_1",
            "some_name_set_1b",
            "some_other_name_set_2",
            "yet_another_name_set_2",
        ]
    }
).with_columns(
    pl.col("name")
    .str.split("_")
    .list.reverse()
    .list.slice(2)
    .list.reverse()
    .list.join("_"),
    pl.col("name")
    .str.split("_")
    .list.slice(-2, None)
    .list.to_struct()
    .alias("end_stuff"),
).unnest("end_stuff")


    shape: (4, 3)
┌──────────────────┬─────────┬─────────┐
│ name             ┆ field_0 ┆ field_1 │
│ ---              ┆ ---     ┆ ---     │
│ str              ┆ str     ┆ str     │
╞══════════════════╪═════════╪═════════╡
│ some_name        ┆ set     ┆ 1       │
│ some_name        ┆ set     ┆ 1b      │
│ some_other_name  ┆ set     ┆ 2       │
│ yet_another_name ┆ set     ┆ 2       │
└──────────────────┴─────────┴─────────┘
    • 0

relate perguntas