基于数据帧中的子字符串提取字符串的一部分 - python

如何解决基于数据帧中的子字符串提取字符串的一部分 - python

我正在尝试提取一些 NBA 数据，但我的数据框有一列，其中所有统计数据都在一个字符串中，在 Stats 列中用空格分隔，如图所示：例如。 29pt 15rb 3as 1bl ...等。我想提取每个统计数据的值，以便我有一列用于得分、篮板、助攻、盖帽等。我遇到的问题是某些行可能不包含所有统计数据。例如，如果一名球员没有得到任何助攻，他们在 Stats 列中的值可能如下所示：14pt 3rb 2bl。我无法提取每个统计数据所需的值，特别是如果该玩家不存在该统计数据。我试图拆分字符串，以便将其值放入一个列表中，这很有希望，但如果该玩家的统计数据甚至存在，我仍然无法弄清楚如何获取每个统计数据的值。任何建议、想法或指导将不胜感激。谢谢。

SM

解决方法

我们可以通过使用 Series.str.findall 来提取值（正则表达式解释为 here），然后将其转换为 dict，我们将其重新转换为具有统计数据的 DataFrame列标签和值。

>>> import pandas as pd
>>> s = pd.Series(["29pt 15rb 3as 1bl","14pt 3rb 2bl"])
>>> s
# 0    29pt 15rb 3as 1bl
# 1         14pt 3rb 2bl
>>> df = pd.DataFrame(
    s.str.findall(r"(\d+)(\w+)")
    .apply(lambda y: {k: v for v,k in y})
    .to_list()
)
>>> df = df.apply(pd.to_numeric)
>>> df
#    pt  rb   as  bl
# 0  29  15  3.0   1
# 1  14   3  NaN   2

然后可以将此 DataFrame 合并到您原始的索引匹配项上。

---

s.str.findall(r"(\d+)(\w+)")

这一行应用了正则表达式 r"(\d+)(\w+)"，它定义了两个捕获组（括号 ()）。第一个捕获组查找数字 (\d+)，第二个捕获组查找单词字符（\w+，相当于 [a-zA-Z0-9_]^†）。使用 findall 返回元组列表，例如

"29pt 15rb 3as 1bl" => [('29','pt'),('15','rb'),('3','as'),('1','bl')]

接下来，.apply(lambda y: {k: v for v,k in y}) 被链接起来，在每一行上应用 lambda 函数。此函数将元组列表转换为字典，其中键是上述元组 (pt,rb,...) 中的第二个元素，值是数字。

[('29','bl')]
# becomes
{'pt': '29','rb': '15','as': '3','bl': '1'}

最后，.to_list() 将我们的 pd.Series 转换为一个 dict 列表，我们可以使用它来创建一个可与原始数据合并的 DataFrame。

---

† 由于 \w+ 是匹配任何字母、数字或下划线的贪婪标记，因此最好使用 [a-zA-Z]+ 代替，它只会匹配字母。

,

也许是这样的？

def parse_stat(stat):
    """takes 29pt and returns (int stat_value,str stat) as (29,"pt")"""
    i = 0
    while i < len(stat) and stat[i].isdigit():
        i += 1
    return int(stat[:i]),stat[i:]

def parse(string):
    substrings = string.split(' ')
    stats = {}
    for sub in substrings:
        val,stat = parse_stat(sub)
        stats[stat] = val
    return stats


if __name__ == "__main__":
    string = "9pt 15rb 3as 1bl"
    result = parse(string)
    print(result)
    print(result.get("pt",0))
    print(result.get("fake",0))

In: "9pt 15rb 3as 1bl"
Out: {'pt': 9,'rb': 15,'as': 3,'bl': 1}
In: result.get("pt",0)
Out: 9
In: result.get("fake",0)
Out: 0