詳解str.extract()

str.extract()函數是pandas庫中的一個非常有用的函數，也是一種正則表達式操作。它可以幫助我們從一個字符串中提取匹配特定正則表達式的子字符串，並將其轉換到一個DataFrame或Series中。本文將從不同的方面詳解它的使用方法和功能。

一、參數介紹

str.extract()函數共有4個參數：pat、flags、expand和regex。其中，pat和regex是必須的，它們是限定提取規則的正則表達式。flags和expand是可選的，flags用於傳遞修改正則表達式行為的參數，而expand則是一個布爾值，用於指示返回行為是DataFrame還是Series。

import pandas as pd
data = {'raw': ['256 lbs', '155 lbs', '125 lbs']}
df = pd.DataFrame(data)

df['weight'] = df['raw'].str.extract('(\d+)', expand=True)

print(df)

上述代碼將一個DataFrame對象中的字符串列提取為數字型列”weight”。可以看到，我們首先定義了一個字典來生成一個DataFrame對象。接着，我們使用str.extract()函數，傳入參數(\d+)，它用於匹配一個或多個數字字符。在’expand=True’的條件下，該函數將保留提取列中與正則表達式模式匹配的字符串，並將其存儲在名稱為”weight”的新列中。

二、提取多個子字符串

str.extract()函數還可以同時提取多個符合規則的子字符串。在使用它時，只需要在提取規則中為每個待提取的組加上括號即可。

import pandas as pd
data = {'raw': ['John Smith, CA', 'Jane Doe, NY', 'Sam Johnson, TX']}
df = pd.DataFrame(data)

df[['name', 'state']] = df['raw'].str.extract('([A-Za-z\s]+),\s([A-Za-z]+)', expand=True)

print(df)

上述代碼演示了如何從一個字符串列中同時提取人名和州名。我們首先定義一個DataFrame，然後使用str.extract()函數為正則表達式傳遞兩個組，一個用於匹配人名、另一個用於匹配州名。在完成操作後，結果將存儲在”df[[“name”, “state”]]”這個新DataFrame中，每個分量都由一個單獨的子字符串組成。

三、使用命名組

當我們提取多個組時，為了避免後綴方式所帶來的複雜性，我們可以使用命名組。使用命名組時，我們不再使用默認後綴方式，在返回值的列名中直接使用我們所定義的名稱。

import pandas as pd
data = {'raw': ['001-1234', '022-5678', '057-9012']}
df = pd.DataFrame(data)

df[['area', 'number']] = df['raw'].str.extract('(?P<area>\d{3})-(?P<number>\d{4})')

print(df)

上述代碼演示了如何使用命名組提取一個帶有特定結構的字符串。「(?P<area><REGEX_EXPRESSION>)」語句用於定義一個名為”area”的組，該組是一個匹配三個數字字符的正則表達式。同樣，語句「(?P<number><REGEX_EXPRESSION>)」用於定義一個名為”number”的組，該組使用了一個匹配四個數字字符的正則表達式。提取並將結果存儲在新的DataFrame中的代碼與前面類似。

四、自定義處理函數

在提取時，有時候需要通過一些額外的邏輯來處理或轉換提取出來的結果。此時，我們可以將自定義的處理函數語句傳遞給”str.extract()”函數，並使其返回值成為新的提取列。

import pandas as pd
data = {'raw': ['256 lbs', '155 lbs', '125 lbs']}
df = pd.DataFrame(data)

def kg_to_lbs(x):
    return int(x) * 2.20462

df['weight_lbs'] = df['raw'].str.extract('(\d+)', expand=True).apply(kg_to_lbs)

print(df)

上述代碼展示了如何使用自定義函數將從字符串列中提取出來的數字轉換為重量單位lb。我們首先定義了一個字典數據，然後定義了一個自定義的方法”kg_to_lbs()”，該方法將基於獲取的重量值將其從公斤轉換成磅單位。接着，我們使用”apply()”函數將該方法映射到提取出來的值上，並將其存儲在名稱為”weight_lbs”的新列中。