删除列中重复的子字符串，只删除中间的 return 个单词

Question

我有以下数据框：

      Column1                                                                       Column2
0   .com<br><br>Finance<br><br><br><br><br><br><br><br><br><br><br><br>     .comFinance
1   .com<br><br>Finance<br><br><br><br><br>DO<br><br><br><br><br><br><br>   .comFinanceDO
2   <br><br>Finance<br><br><br>ISV<br><br>DO<br>DO Prem<br><br><br><br><br><br>  FinanceISVDODO Prem
3   <br><br>Finance<br><br><br><br><br><br><br><br><br><br><br><br>         Finance
4   <br><br>Finance<br><br><br>TTY<br><br><br><br><br><br><br><br><br>      ConsultingTTY

我曾经使用以下代码行来获取 Column2:

df['Column2'] = df['Column1'].str.replace('<br>', '', regex=True)

我想删除“”的所有实例，因此我希望该列如下所示：

Column2 .com, Finance .com, Finance, DO Finance, ISV, DO, DO Prem Finance Consulting, TTY

Answer 1

### Replace br with space
df['Column 2'] = df['column 1'].str.replace('<br>', ' ')
### Get rid of spaces before and after the string
df['Column 2'] = df['Column 2'].strip()
### Replace the space with ,
df['Column 2'] = df['Column 2'].str.replace('\s+', ',', regex=True)

正如 TrentonMcKinney 所指出的，他的解决方案更好。当第 1 列

中的字符串值之间存在 space 时，此问题无法解决

Answer 2

给定以下数据框：

                                                                     Column1
         .com<br><br>Finance<br><br><br><br><br><br><br><br><br><br><br><br>
       .com<br><br>Finance<br><br><br><br><br>DO<br><br><br><br><br><br><br>
 <br><br>Finance<br><br><br>ISV<br><br>DO<br>DO Prem<br><br><br><br><br><br>
             <br><br>Finance<br><br><br><br><br><br><br><br><br><br><br><br>
          <br><br>Finance<br><br><br>TTY<br><br><br><br><br><br><br><br><br>

df['Column2'] = df['Column1'].str.replace('<br>', ' ', regex=True).str.strip().replace('\s+', ', ', regex=True) 不起作用，因为像 <br>DO Prem<br> 这样的部分将以 DO, Prem 结束，而不是 DO Prem.
在 <br> 上拆分以创建列表，然后使用列表理解删除 '' 空格。
- 这将保留它们应该在的位置。
使用 (', ').join([...])

import pandas as pd

df['Column2'] = df['Column1'].str.split('<br>').apply(lambda x: (', ').join([y for y in x if y != '']))

# output
                                                                     Column1                    Column2
         .com<br><br>Finance<br><br><br><br><br><br><br><br><br><br><br><br>              .com, Finance
       .com<br><br>Finance<br><br><br><br><br>DO<br><br><br><br><br><br><br>          .com, Finance, DO
 <br><br>Finance<br><br><br>ISV<br><br>DO<br>DO Prem<br><br><br><br><br><br>  Finance, ISV, DO, DO Prem
             <br><br>Finance<br><br><br><br><br><br><br><br><br><br><br><br>                    Finance
          <br><br>Finance<br><br><br>TTY<br><br><br><br><br><br><br><br><br>               Finance, TTY

删除列中重复的子字符串，只删除中间的 return 个单词

Remove repeated substring in column and only return words in between

regex

str-replace

python-3.x

pandas