Python - 使用正则表达式从 Pandas DataFrame 中的列(包含字符串)中提取权重并将其添加到新列中

Question

我有一个 Excel 电子表格，其中包含来自网站的产品数据，以及以下列标题:

产品ID，产品描述

ProductDescription 字段包含详细说明网站产品完整描述的 HTML，并且在每个描述中，重量显示为字符串的一部分(例如“重量为 950 克”或“重量为 1.5 千克”) ') 数字和重量单位之间没有空格。

我想做的是:

• 将 XL 电子表格导入 Pandas 数据框

• 创建一个名为“Weight”的新列

• 解析每个“ProductDescription”(大约 5000 行产品)并且，使用正则表达式，找到提到重量的文本(它可以被识别为“XXXXg”或“XXXXkg”)并将其放入“重量”中数据帧的列作为数值(浮点)。

• 最后将这个新的三列数据框导出为 Excel 文件。

我在下面编写了一个小脚本，但它不断地抛出错误。如果有人能提供帮助，我将不胜感激。

import pandas as pd
import re as re


def weight(inputString):

    result = [re.search('([0-9.]+[kgG]{1,2})', s) for s in inputString]

    return result

excel_file = 'Products.xlsx'
df = pd.read_excel(excel_file)

df['Weight'] = df['ProductDescription'].apply(weight)

希望能帮到你。请原谅我不优雅地粘在一起的代码!我对此还很陌生。

Answer 1

您可以使用

df["Weight"] = (
    df["ProductDescription"]
    .str.extract(r"(?i)(\d+(?:\.\d+)?)\s*[kmd]?g\b", expand=False)
    .astype(float)
)

(?i)(\d+(?:\.\d+)?)\s*[kmd]?g\b 模式匹配:

• (?i) - 使模式不区分大小写
• (\d+(?:\.\d+)?) - 第 1 组:1+ 位数字，可选出现 . 和 1+ 位数字
• \s* - 0+ 个空格
• [kmd]? - 可选的 k、m 或 d
• g - 一个g
• \b - 字边界。