使用regex清理数据帧列值

Question

我正在查看一个数据集，其中有“City”列，其中的值的格式为，例如，实体[“City”、{“heilboy”、“安徽”、“中国”}]。我想清理一下这个专栏，这样就只剩下城市的名字了。在上面的例子中，我希望除去合肥以外的所有东西。我正在尝试将rstrip和lstrip与regex一起使用。尽管基于在线regex调试器网站，我的regex似乎是正确的，但代码不起作用。 以下是我使用的代码：

df['City'] = df['City'].map(lambda x: x.lstrip(r'(Entity["City", {")').rstrip(r'(",\s"\w+"}])'))

我希望结果是公正的。但我得到的结果是：

Hefei", "Anhui", "China

lstrip似乎正在工作，但rstrip只删除“}]，而不删除我需要删除的其余字符

我希望有人能告诉我哪里出了错，或者告诉我一个更好的方法来完成这件事

Answer 1

IIUC，你可以做：

df['city'] = df['city'].str.extract('{"(.+?)"')
print(df)

输出

    city
0  Hefei

模式'{"(.+?)"'意味着在第一个'{'匹配尽可能少的文本之后，提取引号之间的所有内容