Skip to main content
 首页 » 编程设计

python之如何打破包含 /s>) 的行,/s> 来自 Pandas 数据框的字符串模式

2024年12月31日24me-sa

假设我们在 Python Pandas 中有一个如下所示的数据框:

          TEXT               Number     
         ((<s>, <s>), ABC)   0.161681 
         ((<s>, ABC), DEF)   0.472973 
         ((ABC, DEF), DEF)   0.131635 
         ((DEF, DEF), DEF)   0.166667 
         ((DEF, DEF), DEF)   0.976190 
         ((DEF, DEF), XYZ)   0.150969 
        ((DEF, XYZ), </s>)   0.092511 
       ((XYZ, </s>), </s>)   1.000000 
         ((<s>, <s>), ABC)   0.161681 
         ((<s>, ABC), GHI)  0.472973 
         ((ABC, GHI), GHI)  0.131635 
         ((DEF, GHI), GHI)  0.166667 
         ((DEF, GHI), GHI)  0.976190 
         ((GHI, GHI), XYZ)  0.150969 
        ((GHI, XYZ), </s>)  0.092511 
       ((XYZ, </s>), </s>)  1.000000 
         ((<s>, <s>), ABC)  0.161681 
         ((<s>, ABC), JKL)  0.472973 
         ((ABC, JKL), JKL)  0.131635 
         ((JKL, JKL), JKL)  0.166667 
         ((JKL, JKL), JKL)  0.976190 
         ((JKL, JKL), XYZ)  0.150969 
        ((JKL, XYZ), </s>)  0.092511 
       ((XYZ, </s>), </s>)  1.000000 

如何拆分以字符串模式结尾 ((XYZ "<"/s">, <"/s">") 的行并存储另一个变量 例如,输出应为:

((<s>, <s>), ABC)    0.161681 
((<s>, ABC), DEF)    0.472973 
((ABC, DEF), DEF)    0.131635 
((DEF, DEF), DEF)    0.166667 
((DEF, DEF), DEF)    0.976190 
((DEF, DEF), XYZ)    0.150969 
((DEF, XYZ), </s>)   0.092511 
((XYZ, </s>), </s>)   0.11111 
 
((<s>, <s>), ABC)    0.161681 
((<s>, ABC), GHI)    0.472973 
((ABC, GHI), GHI)    0.131635 
((DEF, GHI), GHI)    0.166667 
((DEF, GHI), GHI)    0.976190 
((GHI, GHI), XYZ)    0.150969 
((GHI, XYZ), </s>)   0.092511 
((XYZ, </s>), </s>)  0.112586 
 
 
((<s>, <s>), ABC)     0.161681 
((<s>, ABC), JKL)     0.472973 
((ABC, JKL), JKL)     0.131635 
((JKL, JKL), JKL)     0.166667 
((JKL, JKL), JKL)     0.976190 
((JKL, JKL), XYZ)     0.150969 
((JKL, XYZ), </s>)    0.092511 
((XYZ, </s>), </s>)   1.000000 

请您参考如下方法:

这是一个获取行信​​息的例子
捕获组 1 包含 Text 字段,
捕获组 2 包含 number 字段。

有了这些信息,你可以做任何你想做的事。
替换为您的格式化数据,例如:
$1 $2\r\n\r\n等等……

(?m)^[^\S\r\n]*(\([^\S\r\n]*\([^\S\r\n]*[A-Z]+[^\S\r\n]*,[^\S\r\n]*</s>[^\S\r\n]*\)[^\S\r\n]*,[^\S\r\n]*</s>\))[^\S\r\n]+((?:\d+(?:\.\d*)?|\.\d+))[^\S\r\n]*\s*

可读版本

 (?m)                                      # Multi-line mode 
 ^                                         # BOL 
 [^\S\r\n]*                                # Horizontal whitespace trim 
 
 (                                         # (1 start), Text 
      \( [^\S\r\n]*  
      \( [^\S\r\n]*  
      [A-Z]+  
      [^\S\r\n]* , [^\S\r\n]*  
      </s> [^\S\r\n]*  
      \) 
      [^\S\r\n]* , [^\S\r\n]*  
      </s>  
      \) 
 )                                         # (1 end) 
 [^\S\r\n]+                                # Horizontal whitespace trim, and required separator 
 (                                         # (2 start), Number 
      (?: 
           \d+  
           (?: \. \d* )? 
        |  \. \d+  
      ) 
 )                                         # (2 end) 
 [^\S\r\n]*                                # Horizontal whitespace trim 
 \s*                                       # Whitespace trim (include newlines)