Python | Pandas Series.str.extract()

在Pandas中，Series.str.extract()是一个非常有用的方法。它的作用是根据指定的正则表达式提取Series中的匹配项，并返回一个新的Series。这个方法在数据清洗和预处理中非常常用。

语法

Series.str.extract(pat, flags=0, expand=True)

• pat：指定提取的正则表达式
• flags：正则表达式的匹配模式
• expand：是否将匹配的结果转为DataFrame，默认为True

示例

假设我们有一个包含多个电话号码的Series：

import pandas as pd

s = pd.Series(['(555)555-5555', '555-555-5555', '555-5555'])

我们想要提取出其中的区号，可以使用如下的正则表达式：r'(?<=\()(\d{3})(?=\))|(\d{3})'，其中：

• (?<=\()(\d{3})(?=\))：匹配括号内的3位数字
• |：或者
• (\d{3})：匹配不带括号的3位数字

我们可以通过Series.str.extract()方法提取出符合这个正则表达式的字符串：

s.str.extract(r'(?<=\()(\d{3})(?=\))|(\d{3})')

结果如下：

       0
0    555
1    555
2    555

我们还可以使用named groups，将匹配结果转化为DataFrame的列：

s.str.extract(r'(?P<area_code>\d{3})', expand=False)

结果：

  area_code
0       555
1       555
2       555

使用技巧

Series.str.extract()还有很多使用技巧，比如：

• 提取文本中的日期、时间、邮箱、URL等
• 只提取数字或文字，忽略其他字符
• 将不同类型的数据分割成不同的列
• 提取多个匹配项，合并为一个字符串或列表

总之，Series.str.extract()是一个非常强大且灵活的方法，可以在数据处理和分析中发挥重要作用。