我知道这可能看起来很愚蠢,但我一直在到处寻找并尝试使用正则表达式并徒劳地拆分。我的脚本对我的数据集上的所有类型的字符串都不起作用。
我的这一列包含看起来像(三种情况)的原始数据:
20181223-FB-BOOST-AAAA-CC Auchy-Les-Mines - Père Noel
20161224-FB-BOOST-SSSS-CC LeMarine - XXX XXX
20161223-FB-BOOST-XXXX-CC Bonjour le monde - Blah blah
所以我想做的是在 CC 之后和“-”之前的中间获取字符串。我写了一个脚本,它对第二种情况有效,但对其他两种情况无效:
1st case: Auchy-Les-Mines
2nd case: LeMarine
3rd case: Bonjour le monde
这是我使用的正则表达式,但并不适用于所有情况:regex = r"\s\b.*-."
提前致谢!
请您参考如下方法:
你我用
df['Col'].str.extract(r'-CC\s+(.*?)\s+-')
如果两个定界符之间可以有换行符,添加s/dotall标志或者使用[\w\W]/[\s\S]/[\d\D] 而不是 。:
df['Col'].str.extract(r'(?s)-CC\s+(.*?)\s+-')
# ^^^^
df['Col'].str.extract(r'-CC\s+([\w\W]*?)\s+-')
# ^^^^^^
参见 the regex demo .
图案细节
-CC- 文字子串\s+- 1+ 个空格(.*?)- 第 1 组(此值将由.str.extract返回):除换行符外的任何 0+ 个字符,尽可能少\s+- 1+ 个空格(+在这里很重要)-- 连字符
(.*?) 两端都有 \s+ 模式这一事实将确保结果已经从空白中剥离,无论那里有多少空白
