从不同长度的字符串值中提取某些整数，其中包含不需要的整数。模式或位置

Question

我有点像初级程序员，正在寻求帮助和问题的解释。我希望将 ID 号从字符串中提取到新列中，然后填写缺失的数字。

我正在使用 pandas 数据框，我有以下一组街道名称，其中一些带有 ID 号，而另一些则缺失：

*Start station*:
"19th & L St (31224)"
"14th & R St NW (31202)"
"Paul Rd & Pl NW (31602)"
"14th & R St NW"
"19th & L St"
"Paul Rd & Pl NW"

My desired outcome:
*Start station*         *StartStatNum*
"14th & R St NW"        31202
"19th & L St"           31224
"Paul Rd & Pl NW"       31602
"14th & R St NW"        31202
"19th & L St"           31224
"Paul Rd & Pl NW"       31602

第一步分裂后，我遇到了困难。我可以根据以下位置进行拆分：

def Stat_Num(Stat_Num):
    return Stat_Num.split('(')[-1].split(')')[0].strip()

db["StartStatNum"] = pd.DataFrame({'Num':db['Start station'].apply(Stat_Num)})

But this gives:
*Start station*         *StartStatNum*
"19th & L St (31224)"        31202
"14th & R St NW (31202)"     31224
"Paul Rd & Pl NW (31602)"    31602
"14th & R St NW"            "14th & R St NW"
"19th & L St"               "19th & L St"
"Paul Rd & Pl NW"           "Paul Rd & Pl NW"

当我想 find/fill StartStatNum 和我没有的电台 ID 号码时，问题就会出现。

我一直在努力去了解str.extract, str.contains, re.findall 并尝试了以下作为可能的垫脚石：

db['Start_S2']  = db['Start_Stat_Num'].str.extract(" ((\d+))")
db['Start_S2']  = db['Start station'].str.contains(" ((\d+))")
db['Start_S2']  = db['Start station'].re.findall(" ((\d+))")

我也试过 here

中的以下方法

def parseIntegers(mixedList):
return [x for x in db['Start station'] if (isinstance(x, int) or isinstance(x, long)) and not isinstance(x, bool)]

但是，当我传入值时，我得到一个包含 1 个值的列表 'x'。作为一个菜鸟，我不认为走模式路线是最好的，因为它也会接受不需要的整数（尽管我可能会求助于 Nan，因为它们会小于 30000（ID 号的最低值）我也有一个想法，我可能忽略了一些简单的事情，但是在连续大约 20 个小时和大量搜索之后，我有点不知所措。

任何帮助都会非常有帮助。

Answer 1

一个解决方案可能是使用转换

创建一个数据框

station -> id

喜欢

l = ["19th & L St (31224)",
    "14th & R St NW (31202)",
    "Paul Rd & Pl NW (31602)",
    "14th & R St NW",
    "19th & L St",
    "Paul Rd & Pl NW",]

df = pd.DataFrame( {"station":l})
df_dict = df['station'].str.extract("(?P<station_name>.*)\((?P<id>\d+)\)").dropna()
print df_dict

 # result:
       station_name     id
 0      19th & L St   31224
 1   14th & R St NW   31202
 2  Paul Rd & Pl NW   31602
 [3 rows x 2 columns]

从那里开始，您可以使用一些列表理解：

l2 = [ [row["station_name"], row["id"]]
       for line in l
       for k,row in df_dict.iterrows()
       if row["station_name"].strip() in line]

获得：

 [['19th & L St ', '31224'], 
  ['14th & R St NW ', '31202'], 
  ['Paul Rd & Pl NW ', '31602'], 
  ['14th & R St NW ', '31202'], 
  ['19th & L St ', '31224'], 
  ['Paul Rd & Pl NW ', '31602']]

我让你转换后面的数据框...

至少最后一部分可能有更好的解决方案...

Answer 2

这是一个对我有用的方法，首先提取大括号中的数字：

In [71]:

df['start stat num'] = df['Start station'].str.findall(r'\((\d+)\)').str[0]
df
Out[71]:
             Start station start stat num
0      19th & L St (31224)          31224
1   14th & R St NW (31202)          31202
2  Paul Rd & Pl NW (31602)          31602
3           14th & R St NW            NaN
4              19th & L St            NaN
5          Paul Rd & Pl NW            NaN

现在删除号码，因为我们不再需要它了：

In [72]:

df['Start station'] = df['Start station'].str.split(' \(').str[0]
df
Out[72]:
     Start station start stat num
0      19th & L St          31224
1   14th & R St NW          31202
2  Paul Rd & Pl NW          31602
3   14th & R St NW            NaN
4      19th & L St            NaN
5  Paul Rd & Pl NW            NaN

现在我们可以通过在删除NaN行的df上调用地图来填充缺少的站号，并将站名设置为索引，这将查找站名和[=20= 】站号：

In [73]:

df['start stat num'] = df['Start station'].map(df.dropna().set_index('Start station')['start stat num'])
df
Out[73]:
     Start station start stat num
0      19th & L St          31224
1   14th & R St NW          31202
2  Paul Rd & Pl NW          31602
3   14th & R St NW          31202
4      19th & L St          31224
5  Paul Rd & Pl NW          31602

从不同长度的字符串值中提取某些整数，其中包含不需要的整数。模式或位置

Extract certain integers from string value, of different length, which contains unwanted integers. Pattern or Position

python

dataframe

pandas