python - 使用 pd.series.str.extractall 与 re.findall 从 Pandas DataFrame 中的列中提取数字

Question

我在 pandas df 中有以下列:

| Primary_key |
|-------------|
| LIT1-1.10_t |
| LIT1-1.20_t |
| LIT1-1.30_t |
| LIT4-1.99_t | 
| LIT4-1.88_t |  
| LIT4-1.77_t | 

我想从“Primary_key”(字符串)中提取版本号；将其拆分为 version_number 和 ID，并将它们放入新列中以获得以下输出:

| Primary_key  | version_nr | ID |
|--------------|------------|----|
| LIT1-1.10_t  | 1          |10  |
| LIT1-1.20_t  | 1          |20  |
| LIT1-1.30_t  | 1          |30  |
| LIT4-1.999_t | 4          |999 |
| LIT4-1.888_t | 4          |888 |
| LIT4-1.777_t | 4          |777 |

我认为pandas.Series.str.extractall可能是我的任务的解决方案，但我在正确应用时遇到问题。我试过df['ID'] = df['Primary_Key'].str.extractall(r'(\d{3})').unstack().apply(','.join, 1) 将所有数字提取到一列(“ID”)中，以便在下一步中将它们分开。但使用这段代码我只能得到最后三个数字:

| Primary_key  | ID |
|--------------|----|
| LIT1-1.10_t  |Nan |
| LIT1-1.20_t  |Nan |
| LIT1-1.30_t  |Nan |
| LIT4-1.999_t |999 |
| LIT4-1.888_t |888 |
| LIT4-1.777_t |777 |

希望其中一位经验丰富的程序员知道如何解决这个问题:)

PS:我也尝试过正则表达式 re.findall('\d+',...) 但我认为它不完全是蜜蜂的膝盖。

Answer 1

是的，带有命名捕获组的 str.extract 应该可以做到这一点。

v = df.Primary_key.str.extract(r'(?P<version_nr>\d+).(?P<ID>\d+)_', expand=True)

更新df，

df = pd.concat([df, v], axis=1)

df
   Primary_key version_nr  ID
0  LIT1-1.10_t          1  10
1  LIT1-1.20_t          1  20
2  LIT1-1.30_t          1  30
3  LIT4-1.99_t          1  99
4  LIT4-1.88_t          1  88
5  LIT4-1.77_t          1  77