引言
Pandas 是 Python 中一个功能强大的数据分析库,它提供了丰富的数据处理功能。正则表达式作为一种强大的文本处理工具,可以与 Pandas 结合使用,以实现复杂的数据提取任务。本文将介绍如何使用正则表达式在 Pandas 中高效提取数据,包括基本用法、高级技巧和实际案例。
一、Pandas 与正则表达式的基本用法
1.1 安装 Pandas 和正则表达式库
在使用正则表达式之前,确保你的环境中已安装 Pandas 和正则表达式库。可以使用以下命令进行安装:
pip install pandas re
1.2 创建示例 DataFrame
以下是一个简单的示例 DataFrame,我们将基于它来演示如何使用正则表达式提取数据:
import pandas as pd
data = {‘Name’: [‘John Doe’, ‘Jane Smith’, ‘Alice Johnson’],
‘Email’: [‘john.doe@example.com’, ‘jane.smith@example.com’, ‘alice.johnson@example.com’],
‘Phone’: [‘(123) 456-7890’, ‘(987) 654-3210’, ‘(456) 123-7890′]}
df = pd.DataFrame(data)
1.3 使用
str.extract()
方法提取数据
Pandas 的
str.extract()
方法可以用于提取字符串中的模式。以下是一个提取电子邮件地址的例子:
email_pattern = r'([a-zA-Z0-9.%-]+@[a-zA-Z0-9.-]+\.[A-Za-z]+)’
df[‘Email’] = df[‘Email’].str.extract(email_pattern)
1.4 使用
str.replace()
方法替换数据
正则表达式还可以用于替换 DataFrame 中的文本。以下是一个替换电话号码格式的例子:
phone_pattern = r’\((\d{3})\)\s?(\d{3})\s?(\d{4})’
df[‘Phone’] = df[‘Phone’].str.replace(phone_pattern, r’$1-$2-$3′)
二、高级正则表达式技巧
2.1 捕获组和反向引用
正则表达式中的捕获组可以用于提取匹配项。反向引用则允许你引用之前匹配的捕获组。
pattern = r'(\d{3})-(\d{3})-(\d{4})’
df[‘Phone’] = df[‘Phone’].str.extract(pattern)
df[‘Phone’] = df[‘Phone’].apply(lambda x: f”{x[0]} {x[1]} {x[2]}”)
2.2 前瞻断言和后瞻断言
前瞻断言和后瞻断言可以用于匹配不包含特定模式的字符串。
pattern = r'(?Link…’
pattern = r’