python - 如何在数据集的所有行上应用正则表达式？

Question

我有一个数据集如下:

    data = {"C1" : ['DDDSSDSSDS','SSDDDSSDDS', 
   'DDDDDDDDDD','SSSSSSSSSS','SSSSSSSDSS','DDDDDSDDDD','SDDDDDDDDD']}
    dt = pd.DataFrame(data)
    print(dt)

对于每个字符串，我想获取每个“不间断 S 组”的第一个元素和最后一个元素的位置。例如，对于第一行，我有 'DDD SS D SS D 小号 '(如您所见，我有三组 S)，而我最喜欢的“S 组”输出类似于 [(3,5),(6,8),(9-10)]它显示了第一行和第二个和第三个“不间断 S 组”的位置。
所以输出的一个例子可能是:

           C1                         C2
0  DDDSSDSSDS       [(3, 5), (6, 8), (9-10)]
1  SSDDDSSDDS  [(0, 2), (5, 7), (9, 10)]
2  DDDDDDDDDD                         []
3  SSSSSSSSSS                  [(1, 11)]
4  SSSSSSSDSS          [(0, 7), (8, 10)]
5  DDDDDSDDDD                   [(5, 6)]
6  SDDDDDDDDD                   [(0, 1)]

我目前的解决方案是:

def split_it(mystring):
    x = re.findall('(S*)', mystring)
    if x :
      return(x)

dt['C2'] = dt['C1'].apply(split_it)
print(dt)

这导致以下输出:

0  DDDSSDSSDS  [, , , SS, , SS, , S, ]
1  SSDDDSSDDS  [SS, , , , SS, , , S, ]
2  DDDDDDDDDD   [, , , , , , , , , , ]
3  SSSSSSSSSS           [SSSSSSSSSS, ]
4  SSSSSSSDSS        [SSSSSSS, , SS, ]
5  DDDDDSDDDD  [, , , , , S, , , , , ]
6  SDDDDDDDDD  [S, , , , , , , , , , ]

Answer 1

您可以使用

def split_it(mystring):
    return [(m.start(), m.end()) for m in re.finditer('S+', mystring)]

输出:

>>> dt['C1'].apply(split_it)
0    [(3, 5), (6, 8), (9, 10)]
1    [(0, 2), (5, 7), (9, 10)]
2                           []
3                    [(0, 10)]
4            [(0, 7), (8, 10)]
5                     [(5, 6)]
6                     [(0, 1)]
Name: C1, dtype: object

re.finditer('S+', mystring)返回在字符串中找到的所有匹配对象，您可以通过 .start() 获取开始和结束位置和 .end()调用。
请注意，您的输出中有空匹配项，因为 S*匹配零个或多个 S字符，你需要使用 +匹配一个或多个。