python - 如何从 Object dtype 中提取特定的单词/数值？

Question

我正在尝试使用 python(无关)为我的公司自动化一些事情，这就是我的问题。首先，我正在从邮箱中的特定文件夹创建数据框。(到这里没问题)”

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 36 entries, 0 to 35
Data columns (total 6 columns):
 #   Column         Non-Null Count  Dtype         
---  ------         --------------  -----         
 0   Unnamed: 0     36 non-null     int64         
 1   Date           36 non-null     datetime64[ns]
 2   Subject        36 non-null     object        
 3   Sender         36 non-null     object        
 4   Body           36 non-null     object        
 5   OpportunityID  36 non-null     object        
dtypes: datetime64[ns](1), int64(1), object(4)
memory usage: 1.8+ KB

正文列包含电子邮件轨迹(很长)；然而，它们都包含 2 个我关心的基本信息:

1. 每个电子邮件正文都包含一个“机会 ID:12345678(恰好 8 个字母长度)”

2. 以下选项之一:Won/won/Lost/lost/Active/active/Hold/hold

我希望能够将 Body 列中的这两条信息提取到 2 个单独的列中。

无论我尝试什么，正文列都不会转换为字符串。此外，我尝试过正则表达式、str.split、extract、re、编码为utf-8。似乎没有任何效果。使用 re.findall(r"\d+",df.Body) 给出:TypeError:预期的字符串或类似字节的对象

正文栏示例:亲爱的 XX，

不幸的是，我们失去了这个。

最好的问候

XXX

发件人:XXXX发送时间:2020 年 4 月 15 日星期三下午 4:46致:XXX抄送:XXX主题:提醒更新X

我们正在清理管道，请您提供以下机会的状态更新。

请说明它是有效/赢取/丢失还是已取消

详情如下:

• 机会 ID:12345678

• 客户姓名:X

• 机会描述:X

• 合作伙伴:X

• 项目经理:X

• 总费用:1033000 沙特阿拉伯

• 总费用(百万美元):

如果您有任何疑虑，请告诉我。X

Answer 1

你可以使用

df['Opportunity_ID']=df['Body'].str.extract(r'Opportunity\s+ID\s*:\s*(\d{8})') 
df['Keyword']=df['Body'].str.extract(r'(?i)\b(won|lost|active|hold)\b')

第一个 Opportunity\s+ID\s*:\s*(\d{8}) 正则表达式匹配 Opportunity，一个或多个空格(带有 \s+)，一个 ID 子字符串，一个用 0+ 个空白字符括起来的冒号(参见 \s*:\s*)，然后是 将任何八位数字捕获到第 1 组(参见 (\d{8}))。

r'(?i)\b(won|lost|active|hold)\b' 模式只匹配捕获组中的四个备选方案中的任何一个(借助 | 交替运算符)以不区分大小写的方式作为整个单词(\b 是单词边界)(参见 (?i) 修饰符)。