regex - 根据单词是否大写拆分 Pandas 数据框列

Question

我有以下格式的数据框列:

<表类="s-表"><头>标题<正文>这是一个例子还有这个最后一个J.再来一个

我想把它分成两列:

<表类="s-表"><头>header1标题2<正文>这是一个例子还有这个最后一个空空J.再来一个

我试过像这样提取信息:

df1['header'].str.split('[A-Z]', expand=True)

但我的正则表达式达不到标准。非常感谢任何帮助!

Answer 1

希腊字母声明

要仅匹配希腊大写字母，请将以下模式中的 [A-Z] 替换为 [\u0391-\u03A1\u03A3-\u03A9]。要同时匹配 ASCII 和希腊大写字母，请使用 [a-zA-Z\u0391-\u03A1\u03A3-\u03A9]。

即

rx = r'^\s*(?P<header1>(?:[\u0391-\u03A1\u03A3-\u03A9]+\b(?!\.)(?:\s+[\u0391-\u03A1\u03A3-\u03A9]+)*\b)?)(?:\s+(?P<header2>.*))?'
new_df = df['header'].str.extract(rx, expand=True)

参见the regex demo .

你可以使用

df[['header1', 'header2']] = df['header'].str.extract(r'^\s*((?:[A-Z]+\b(?!\.)(?:\s+[A-Z]+)*)?)\s*(.*)', expand=True)

输出:

>>> df
               header   header1      header2
0  THIS IS an example   THIS IS   an example
1           ALSO this      ALSO         this
2            ONE LAST  ONE LAST             
3         J. one more            J. one more           

参见 regex demo .

详细信息:

• ^ - 字符串的开始
• \s* - 零个或多个空格
• ((?:[A-Z]+\b(?!\.)(?:\s+[A-Z]+)*)?) - 第 1 组(header1): 一个或多个大写 ASCII 字母的可选序列(后面没有 . 字符)，然后是零个或多个由一个或多个空格和一个或多个大写 ASCII 字母组成的序列
• \s* - 零个或多个空格
• (.*) - 第 2 组 (header2):除换行符以外的任何零个或多个字符，尽可能多。

您可以使用命名的捕获组提取到新的数据框:

>>> new_df = df['header'].str.extract(r'^\s*(?P<header1>(?:[A-Z]+\b(?!\.)(?:\s+[A-Z]+)*)?)\s*(?P<header2>.*)', expand=True)
>>> new_df
    header1      header2
0   THIS IS   an example
1      ALSO         this
2  ONE LAST             
3            J. one more