基于dataframe python中的子字符串提取字符串的部分

Question

我试图提取一些NBA数据，但我的数据框有一个列，其中所有统计数据都在一个字符串中，由统计列中的空格分隔，如图所示：例如29pt 15rb 3as 1bl…等。我想提取每个统计数据的值，这样我就有了一列记录分数、篮板、助攻、盖帽等的数据。我遇到的问题是有些行可能不包含所有统计数据。例如，如果一名球员没有获得任何助攻，他们在统计栏中的值可能如下所示：14pt 3rb 2bl。我在提取每个统计数据所需的值时遇到困难，尤其是当该玩家不存在统计数据时。我曾尝试拆分字符串，以便将其值放入一个列表中，这是很有希望的，但我仍然无法找出如何获取每个统计值（如果该播放器存在该统计值）。任何建议、想法或指导都将不胜感激。谢谢

山猫

Answer 1

我们可以使用^{}来提取值（regex解释的here），然后将其转换为dict，并将其转换回一个数据帧，该数据帧将统计信息作为列标签和值

>>> 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

然后可以将此数据帧合并到索引上匹配的原始数据帧上

---

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

此行应用regex 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')]

下一步，.apply(lambda y: {k: v for v, k in y})是链接的，它在每一行上应用lambda函数。此函数将元组列表转换为字典，其中键是上面元组的第二个元素（pt，rb，…），值是数字

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

最后，.to_list()将我们的pd.Series转换成一个dict列表，我们可以使用它创建一个可与原始数据合并的数据帧

---

†因为\w+是一个贪婪的标记，它匹配任何字母、数字或下划线，所以最好使用[a-zA-Z]+，它只匹配字母

Answer 2

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