子字符串python pandas

Question

我有一个pandas数据框，其中有一个字符串列。框架的长度超过200万行，循环提取我需要的元素是一个糟糕的选择。我当前的代码如下

for i in range(len(table["series_id"])):
    table["state_code"] = table["series_id"][i][2:4]
    table["area_code"] = table["series_id"][i][5:9]
    table["supersector_code"] = table["series_id"][i][11:12]

其中“series_id”是包含多个信息字段的字符串，我要创建一个示例数据元素：

列：

 [series_id, year, month, value, footnotes]

数据：

[['SMS01000000000000001' '2006' 'M01' 1966.5 '']
 ['SMS01000000000000001' '2006' 'M02' 1970.4 '']
 ['SMS01000000000000001' '2006' 'M03' 1976.6 '']

然而，这个系列是我正在努力的兴趣所在。我已经研究了python的str.FUNCTION，特别是pandas。

http://pandas.pydata.org/pandas-docs/stable/basics.html#testing-for-strings-that-match-or-contain-a-pattern

有一节描述了每个字符串函数，特别是我想使用的函数sliceget&；em>。理想情况下，我可以设想这样的解决方案：

table["state_code"] = table["series_id"].str.get(1:3)

或者

table["state_code"] = table["series_id"].str.slice(1:3)

或者

table["state_code"] = table["series_id"].str.slice([1:3])

当我尝试了以下函数后，得到的语法无效。

但是，唉，我似乎无法找到在pandas数据帧列上获取子字符串的正确方法来执行向量操作。

谢谢你

Answer 1

我想我会在str.extract中使用一些regex（您可以根据需要进行调整）：

In [11]: s = pd.Series(["SMU78000009092000001"])

In [12]: s.str.extract('^.{2}(?P<state_code>.{3}).{1}(?P<area_code>\d{4}).{2}(?P<supersector_code>.{2})')
Out[12]: 
  state_code area_code supersector_code
0        U78      0000               92

这读作：用任意两个字符（忽略）开始（^），接下来的三个（任何）字符是state_code，后面跟任意字符（忽略），后面跟四个数字是area_code。。。