这是我的previous post关于使用正则表达式将包含地址的pandas序列拆分为三个disctint字段(street、number和box)的继续。你知道吗
我最初的例子如下:
import pandas as pd
import numpy as np
df = pd.DataFrame({'cus_name' : ['James', 'Mary', 'David', 'Linda', 'George', 'Jennifer', 'John', 'Maria', 'Charles', 'Helen'],
'address' : ['Main St 59', 'Yellow Av 11 b.F1', 'Terrazzo Way 100-102', np.nan, 'Hamilton St 159 b.A/B', np.nan, 'Henry St 7 D', 'Mc-Kenzie Av 40P b.1', 'Neptune Av 14 15 b.G', np.nan ],
'postal_code' : [1410, 1210, 1020, np.nan, 1310, np.nan, 1080, 1190, 1040, np.nan],
})
print(df)
cus_name address postal_code
0 James Main St 59 1410.0
1 Mary Yellow Av 11 b.F1 1210.0
2 David Terrazzo Way 100-102 1020.0
3 Linda NaN NaN
4 George Hamilton St 159 b.A/B 1310.0
5 Jennifer NaN NaN
6 John Henry St 7 D 1080.0
7 Maria Mc-Kenzie Av 40P b.1 1190.0
8 Charles Neptune Av 14 15 b.G 1040.0
9 Helen NaN NaN
使用RomanPerekhrest给出的解决方案中的regex模式,address
序列很好地拆分为3个所需字段。你知道吗
pattern = pattern ='(\D+)\s+(\d+[\s-]?(?!b)\w*)(?:\s+b\.)?(\S+)?'
print(df['address'].str.extract(pattern, expand = True))
0 1 2
0 Main St 59 NaN
1 Yellow Av 11 F1
2 Terrazzo Way 100-102 NaN
3 NaN NaN NaN
4 Hamilton St 159 A/B
5 NaN NaN NaN
6 Henry St 7 D NaN
7 Mc-Kenzie Av 40P 1
8 Neptune Av 14 15 G
9 NaN NaN NaN
不幸的是,在我之前的文章中,我没有说明地址只包含街道信息的情况(例如Place de la Monnaie
)。你知道吗
在本例中,上述regex模式不再有效。请参阅thisregex101链接。你知道吗
我花了半个小时试图修改regex模式来解释这个案例,但没有成功。我注意到的是,尽管数字字段可以有单词字符,但在不丢失时总是以数字开头。你知道吗
任何额外的帮助将不胜感激。你知道吗
这种模式有助于:
相关问题 更多 >
编程相关推荐