web-dev-qa-db-fra.com

Comment extraire du contenu spécifique dans un pandas dataframe avec une regex?

Considérez le pandas dataframe suivant:

In [114]:

df['movie_title'].head()

​
Out[114]:

0     Toy Story (1995)
1     GoldenEye (1995)
2    Four Rooms (1995)
3    Get Shorty (1995)
4       Copycat (1995)
...
Name: movie_title, dtype: object

pdate: Je voudrais extraire avec une expression régulière uniquement les titres des films. Donc, utilisons le regex suivant: \b([^\d\W]+)\b. J'ai donc essayé ce qui suit:

df_3['movie_title'] = df_3['movie_title'].str.extract('\b([^\d\W]+)\b')
df_3['movie_title']

Cependant, j'obtiens ce qui suit:

0       NaN
1       NaN
2       NaN
3       NaN
4       NaN
5       NaN
6       NaN
7       NaN
8       NaN

Toute idée de la façon d'extraire des fonctionnalités spécifiques du texte dans un pandas dataframe?. Plus précisément, comment puis-je extraire uniquement les titres des films dans un tout nouveau dataframe ?. Par exemple, le la sortie doit être:

Out[114]:

0     Toy Story
1     GoldenEye
2    Four Rooms
3    Get Shorty
4       Copycat
...
Name: movie_title, dtype: object
pythonregexstringpython-2.7pandas
9
tumbleweed

Tu peux essayer str.extract et strip , mais il vaut mieux utiliser str.split , car dans les noms de films, il peut aussi y avoir des nombres. La solution suivante est replace contenu des parenthèses par regex et strip espaces blancs avant et arrière:

#convert column to string
df['movie_title'] = df['movie_title'].astype(str)

#but it remove numbers in names of movies too
df['titles'] = df['movie_title'].str.extract('([a-zA-Z ]+)', expand=False).str.strip()
df['titles1'] = df['movie_title'].str.split('(', 1).str[0].str.strip()
df['titles2'] = df['movie_title'].str.replace(r'\([^)]*\)', '').str.strip()
print df
          movie_title      titles      titles1      titles2
0  Toy Story 2 (1995)   Toy Story  Toy Story 2  Toy Story 2
1    GoldenEye (1995)   GoldenEye    GoldenEye    GoldenEye
2   Four Rooms (1995)  Four Rooms   Four Rooms   Four Rooms
3   Get Shorty (1995)  Get Shorty   Get Shorty   Get Shorty
4      Copycat (1995)     Copycat      Copycat      Copycat
17
jezrael

Vous devez affecter des groupes de texte avec () comme ci-dessous pour en capturer une partie spécifique.

new_df['just_movie_titles'] = df['movie_title'].str.extract('(.+?) \(')
new_df['just_movie_titles']

pandas.core.strings.StringMethods.extract

StringMethods.extract (pat, flags = 0, ** kwargs)

Rechercher des groupes dans chaque chaîne à l'aide d'une expression régulière passée

6
su79eu7k