python - Pandas ，删除最后一个 '_' 之后的所有内容

Question

我的专栏中有以下类型的字符串，如下所示。我想解析每个字符串的最后一个 _ 之后的所有内容，如果没有 _ 则保留字符串原样。 (因为我下面的尝试只会排除没有 _ 的字符串)

到目前为止，我已经在下面尝试过，在这里看到:Python pandas: remove everything after a delimiter in a string .但它只是解析出第一个 _

之后的所有内容

d6['SOURCE_NAME'] = d6['SOURCE_NAME'].str.split('_').str[0]

这是我的 SOURCE_NAME 列中的一些示例字符串。

Stackoverflow_1234
Stack_Over_Flow_1234
Stackoverflow
Stack_Overflow_1234

预期:

Stackoverflow
Stack_Over_Flow
Stackoverflow
Stack_Overflow

如有任何帮助，我们将不胜感激。

Answer 1

结合使用 str.rsplit 和 str.get 以获得您想要的结果。 str.rsplit 只是从末尾拆分字符串，而 str.get 获取 pd.Series 对象中迭代器的第 n 个元素。

---

回答

d6['SOURCE_NAME'] = df['SOURCE_NAME'].str.rsplit('_', n=1).str.get(0)

rsplit 中的 n 参数限制了输出中的分割数，因此您只保留最后一个 '_' 之前的所有内容。

尽管使用 pd.Series.apply 的解决方案几乎快了一半，但我还是喜欢这个解决方案，因为它的语法更具表现力。如果你想使用 pd.Series.apply 解决方案(更快)检查计时部分!

pandas documentation .

---

例子

strs = ['Stackoverflow_1234',
        'Stack_Over_Flow_1234',
        'Stackoverflow',
        'Stack_Overflow_1234']
df = pd.DataFrame(data={'SOURCE_NAME': strs})

这导致

print(df)
            SOURCE_NAME
0    Stackoverflow_1234
1  Stack_Over_Flow_1234
2         Stackoverflow
3   Stack_Overflow_1234

使用建议的解决方案:

df['SOURCE_NAME'].str.rsplit('_', 1).str.get(0)

0      Stackoverflow
1    Stack_Over_Flow
2      Stackoverflow
3     Stack_Overflow
Name: SOURCE_NAME, dtype: object

时间

有趣的是，使用 pd.Series.str 不一定比使用 pd.Series.apply 快:

import pandas as pd

df = pd.DataFrame(data={'SOURCE_NAME': ['stackoverflow_1234_abcd'] * 1000})

%timeit df['SOURCE_NAME'].apply(lambda x: x.rsplit('_', 1)[0])
497 µs ± 30.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%timeit df['SOURCE_NAME'].str.rsplit('_', n=1).str.get(0)
1.04 ms ± 4.27 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

# increasing the number of rows x 100
df = pd.concat([df] * 100)

%timeit df['SOURCE_NAME'].apply(lambda x: x.rsplit('_', 1)[0])
31.7 ms ± 1.5 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

%timeit df['SOURCE_NAME'].str.rsplit('_', n=1).str.get(0)
84.1 ms ± 6.88 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)