Python pandas 夹板字符串，添加行，每列不同

Question

我希望在我拔掉所有头发之前，比我更有知识的人可以提供一些智慧。

我有一个看起来像这样的数据框

Date    Unit    Length  AM/PM   unit_new
5   Monday\r13 January  12345H\rEngineering - Unit 1: Engineering Principles\r23456H\rHealth and Social Care - Unit 2: Working in Health\rand Social Care   2h 00m\r1h 30m  morning
6   Tuesday\r14 January 34567H\rBusiness/Enterprise and Entrepreneurship -\rUnit 3: Personal and Business Finance\r12345L\rApplied Human Biology - Unit 1: Principles of\rHuman Biology\r23456K\rConstruction and the Built Environment -\rUnit 1: Construction Principles  2h 00m\r1h 30m\r1h 30m  morning
7   Wednesday\r15 January   34567H/1C\rApplied Science/Forensic and Criminal Investigation\r- Unit 1: Principles and Applications of Science I -\rChemistry\r12345H\rSport and Exercise Science - Unit 1: Sport and Exercise\rPhysiology    0h 40m\r1h 30m  morning

现在的问题是，“Unit”列每行都有多个记录的数据，但行上的记录数不一致。 “长度”列与“单位”列具有相同的设置。 “日期”和“上午/下午”列只有一个条目。

这张图更好地解释了问题。第 5 行有两条记录，一条用于 Engineering，一条用于 HSC，长度列也如此。两条记录的“日期”和“上午/下午”相同。第 6 行有 3 条记录，第 7 行有 2 条记录。

现在我想做的是将每个记录拆分到其自己的行中。为了做到这一点，我尝试了多种不同的方法，但没有取得多大进展。

方法思路一我的第一个想法是尝试在相关行下添加新行，并从“单位”和“长度”列中提取数据，同时从“日期”和“上午/下午”列复制数据。事实证明这是一个技巧，因为插入 df 的中间会更加复杂。

方法思路二接下来我想将行追加到 df 的底部并稍后排序。

所以我编写了一个函数来计算每行的记录数并输出到一个系列。

def code_count_func():
    code_count = df.Unit.str.count('\d{5}\w').subtract(+1)
    # drop na's to stop error
    code_count.dropna(inplace = True) 
    # converting to int 
    code_count = code_count.iloc[0:].astype(int)

下面的代码是我目前正在尝试的代码，它在名为“unit_new”的新列中拆分为字符串列表，但正则表达式并没有完全按照我的彩色图像捕获。

for index, row in code_count_func().iteritems():
    df['unit_new'] = df.Unit.str.split('(\d{5}\w)')

第二个问题是我也不知道如何完成该程序。我正在考虑使用 DataFrame.explode 方法，但我不确定如何在“单位”和“长度”列上使用它，而只是从“日期”和“上午/下午”列复制。

有人可以给我一些关于如何使用爆炸方法或类似方法的指导吗？另外，如果有人能够帮助我的正则表达式，请。

更多关于正则表达式问题。因此，与“单位”列中的模式一致的一件事是五位数字和一个字母，例如12345K 用于每个新记录的开始。所以看第 5 行我想得到这个:-

12345H\r工程 - 第 1 单元:工程原理\r23456H\r健康和社会关怀 - 第 2 单元:从事健康\r和社会关怀

我尝试了多种模式，但没有成功。

所需输出

Answer 1

这可能有效，并且使用更精细的正则表达式可能会更好。我的专栏可能脱离了复制/粘贴过程，但逻辑应该是正确的

获取单位

df['Unit'] = df['Unit'].str.split('(.+?(?=\d{5}))')

获取长度

lengths = df['AM/PM'].str.split(r'\\r').explode()

分解单位，从正则表达式中删除空条目并将长度连接回数据帧

df = pd.concat([df.explode('Unit').query("Unit != ''"), lengths], axis=1)

            Date           ...                                               Unit   AM/PM
5     Monday\r13  January  ...  12345H\rEngineering - Unit 1: Engineering Prin...  2h 00m
5     Monday\r13  January  ...  23456H\rHealth and Social Care - Unit 2: Worki...  1h 30m
6    Tuesday\r14  January  ...  34567H\rBusiness/Enterprise and Entrepreneursh...  2h 00m
6    Tuesday\r14  January  ...  12345L\rApplied Human Biology - Unit 1: Princi...  1h 30m
6    Tuesday\r14  January  ...  23456K\rConstruction and the Built Environment...  1h 30m
7  Wednesday\r15  January  ...  34567H/1C\rApplied Science/Forensic and Crimin...  0h 40m
7  Wednesday\r15  January  ...  12345H\rSport and Exercise Science - Unit 1: S...  1h 30m