python - 按照特定模式从列中提取字符串

Question

请原谅我的 Pandas 新手问题，但我有一个美国城镇和州的专栏，如下所示的截断版本(出于某种奇怪的原因，该专栏的名称称为“阿拉巴马[编辑]”，它与列中前 0-7 个城镇值):

0                          Auburn (Auburn University)[1]
1                 Florence (University of North Alabama)
2        Jacksonville (Jacksonville State University)[2]
3             Livingston (University of West Alabama)[2]
4               Montevallo (University of Montevallo)[2]
5                              Troy (Troy University)[2]
6      Tuscaloosa (University of Alabama, Stillman Co...
7                      Tuskegee (Tuskegee University)[5]
8                                           Alaska[edit]
9          Fairbanks (University of Alaska Fairbanks)[2]
10                                         Arizona[edit]
11            Flagstaff (Northern Arizona University)[6]
12                      Tempe (Arizona State University)
13                        Tucson (University of Arizona)
14                                        Arkansas[edit]
15     Arkadelphia (Henderson State University, Ouach...
16     Conway (Central Baptist College, Hendrix Colle...
17              Fayetteville (University of Arkansas)[7]
18              Jonesboro (Arkansas State University)[8]
19            Magnolia (Southern Arkansas University)[2]
20     Monticello (University of Arkansas at Monticel...
21            Russellville (Arkansas Tech University)[2]
22                        Searcy (Harding University)[5]
23                                      California[edit]

每个州的城镇位于每个州名称下方，例如费尔类克斯(列值 9)是阿拉斯加州的一个城镇。

我想要做的是根据州名称拆分城镇名称，以便我有两列“State”和“RegionName”，其中每个州名称与每个城镇名称相关联，如下所示:

                            RegionName                       State
0                          Auburn (Auburn University)[1]    Alabama
1                 Florence (University of North Alabama)    Alabama
2        Jacksonville (Jacksonville State University)[2]    Alabama
3             Livingston (University of West Alabama)[2]    Alabama
4               Montevallo (University of Montevallo)[2]    Alabama
5                              Troy (Troy University)[2]    Alabama
6      Tuscaloosa (University of Alabama, Stillman Co...    Alabama
7                      Tuskegee (Tuskegee University)[5]    Alabama

8         Fairbanks (University of Alaska Fairbanks)[2]     Alaska

9         Flagstaff (Northern Arizona University)[6]        Arizona
10                      Tempe (Arizona State University)    Arizona
11                        Tucson (University of Arizona)    Arizona                                              

12        Arkadelphia (Henderson State University, Ouach... Arkansas                                           

。 。 。ETC。

我知道每个州名称后面都有一个字符串“[edit]”，我假设我可以用它来分割和分配城镇名称。但我不知道该怎么做。

此外，我知道还需要进行许多其他数据清理，例如删除括号内和方括号“[]”内的字符串。这可以稍后完成...重要的部分是将州和城镇分开并将每个城镇分配给其适当的美国。任何建议将不胜感激。

Answer 1

在没有太多上下文或无法访问您的数据的情况下，我会提出类似的建议。首先，修改读取数据的代码:

df = pd.read_csv(..., header=None, names=['RegionName']) 
# add header=False so as to read the first row as data

现在，使用 str.extract 提取州名称，这应该只提取名称后跟子字符串“[edit]”的名称。然后，您可以使用 ffill 向前填充所有 NaN 值。

df['State'] = df['RegionName'].str.extract(
    r'(?P<State>.*)(?=\s*\[edit\])'
).ffill()