这是我的第一篇文章,所以希望我不要讨论这个问题,我很清楚.
基本上,这是一个两部分问题.我需要设置代码,首先检查列A是否为“有效”.如果是这样,我需要从列B中提取子字符串并将其放在一个新列中,此处标记为“C”.如果条件为假,我想加入“NA”.请参阅第二个表格以了解我的预期结果.
| A | B |
|-------------|-----------------------------------|
| VALID |asdfafX'XextractthisY'Yeaaadf |
| INVALID |secondrowX'XsubtextY'Yelakj |
| VALID |secondrowX'XextractthistooY'Yelakj |
| A | B | C |
|-------------|-------------------------------------|-----------------|
| VALID |"asdfafX'XextractthisY'Yeaaadf" | extractthis |
| INVALID |"secondrowX'XsubtextY'Yelakj" | NA |
| VALID |"secondrowX'XextractthistooY'Yelakj" | extractthistoo |
有几点需要注意：
– 子字符串将始终在短语“X’X”之后开始,并在“Y’Y”之前完成.
– 子串在不同的单元格之间具有不同的长度.
我知道以下代码是错误的,但我想告诉你我是如何尝试解决这个问题的：
import pandas as pd
if df[A] == "VALID":
df[C] = df[B]df.str[start:finish]
else:
df[C].isna()
我为这个基本代码中的错误道歉,因为我完全是python的新手,仍然依赖于IDE和试用和错误来指导我.您可以提供的任何帮助表示赞赏.
您可以使用pd.Series.str.extract：
In [737]: df
Out[737]:
A B
0 VALID asdfafX'XextractthisY'Yeaaadf
1 INVALID secondrowX'XsubtextY'Yelakj
2 VALID secondrowX'XextractthistooY'Yelakj
In [745]: df['C'] = df[df.A == 'VALID'].B.str.extract("(?<=X'X)(.*?)(?=Y'Y)",expand=False)
In [746]: df
Out[746]:
A B C
0 VALID asdfafX'XextractthisY'Yeaaadf extractthis
1 INVALID secondrowX'XsubtextY'Yelakj NaN
2 VALID secondrowX'XextractthistooY'Yelakj extractthistoo
正则表达式模式是：
(?<=X'X)(.*?)(?=Y'Y)
>(？< = X'X)是X'X的后视
>(.*？)匹配lookbehind和lookahead之间的所有内容
>(？= Y’Y)是Y’Y的先行者
