python - Pandas 中的 `re.sub()`

Question

假设我有:

s = 'white male, 2 white females'

并希望将其“扩展”为:

'white male, white female, white female'

更完整的案例列表是:

• '两个西类牙裔男性，两个西类牙裔女性'
  • --> '西类牙裔男性，西类牙裔男性，西类牙裔女性，西类牙裔女性'
• '2 个黑人男性，一个白人男性'
  • --> '黑人男性，黑人男性，白人男性'

看起来我很接近:

import re

# Do I need boundaries here?
mult = re.compile('two|2 (?P<race>[a-z]+) (?P<gender>(?:fe)?male)s')

# This works:
s = 'white male, 2 white females'
mult.sub(r'\g<race> \g<gender>, \g<race> \g<gender>', s)
# 'white male, white female, white female'

# This fails:
s = 'two hispanic males, 2 hispanic females'
mult.sub(r'\g<race> \g<gender>, \g<race> \g<gender>', s)
# ' ,  , hispanic males, hispanic female, hispanic female,'

是什么造成了第二种情况的错误？

奖励问题:是否有一种 pandas 系列的方法可以直接实现此功能，而不是使用 Series.apply()？很抱歉修改我的问题并在这里浪费任何人的时间。

例如，在:

s = pd.Series(
    ['white male',
     'white male, white female',
     'hispanic male, 2 hispanic females',
     'black male, 2 white females'])

是否有比以下路线更快的路线:

s.apply(lambda x: mult.sub(..., x))

Answer 1

关于您的“奖金”问题，您可以使用 pandas.Series.str.replace，它是 pandas.Series.str methods 的一部分与正则表达式一起使用:

In [10]: import re

In [11]: import pandas as pd

In [12]: s = pd.Series(
    ...:     ['white male',
    ...:      'white male, white female',
    ...:      'hispanic male, 2 hispanic females',
    ...:      'black male, 2 white females'])

In [13]: mult = re.compile('two|2 (?P<race>[a-z]+) (?P<gender>(?:fe)?male)s')
    ...:

In [14]: s.str.replace(mult, r'\g<race> \g<gender>, \g<race> \g<gender>')
Out[14]:
0                                         white male
1                           white male, white female
2    hispanic male, hispanic female, hispanic female
3             black male, white female, white female
dtype: object

我不知道这些方法是否比 .apply 快得多。我怀疑您永远不会非常快速地使用 object dtypes。

注意，如果找到this issue关于这些方法是在缓慢的一面。我想，除非他们决定编写一个 Cythonized 实现是值得的，否则您可能不会抱太大希望。