时间戳

首页 > 解决方案 > 如何在 Pandas 中组合 Regex Findall 的输出

regex - 如何在 Pandas 中组合 Regex Findall 的输出

问题描述

我正在 jupyter 笔记本中使用 pandas 探索正则表达式。我的目标是使用一组正则表达式模式从地址行中提取 housenumberadditions。

我正在这篇文章的基础上构建：https ://gist.github.com/christiaanwesterbeek/c574beaf73adcfd74997 ，我将它用于来自.csv的输入：

Afleveradres
Dorpstraat 2
Dorpstr. 2
Dorpstraat 2
Laan 1933 2
18 Septemberplein 12
Kerkstraat 42-f3
Kerk straat 2b
42nd street, 1337a
1e Constantijn Huigensstraat 9b
Maas-Waalweg 15
De Dompelaar 1 B
Kümmersbrucker Straße 2
Friedrichstädter Straße 42-46
Höhenstraße 5A  
Saturnusstraat 60-75
Saturnusstraat 60 - 75
Plein \'40-\'45 10
Plein 1945 1
Steenkade t/o 56
Steenkade a/b Twee Gezusters
1, rue de l\'eglise
Herestraat 49 BOX1043
Maas-Waalweg 15 15

我的目标是提取街道名称、门牌号码和门牌号码。

到目前为止，我基本上使用：

# get data
file_base_name = 'examples'
dfa = pd.read_csv(''+file_base_name+'.csv', sep=';')

#get number
dfa['num'] = dfa['Afleveradres'].str.extract(r"([,\s]+\d+)\s*")
dfa['num'] = dfa['num'].str.strip()

# split leftover values into street & addition
dfa['tmp']=dfa.Afleveradres.str.replace(r"([,\s]+\d+)\s*", ';')

# new data frame with split value columns 
new = dfa["tmp"].str.split(";", n = 1, expand = True) 
# making separate first name column from new data frame 
dfa["str"]= new[0] 

# making separate last name column from new data frame 
dfa["add"]= new[1] 
dfa.drop(['tmp'], axis=1, inplace=True)

这导致： 列出街道名称、数字和加法：

;Afleveradres;str;add;num
0;Dorpstraat 2;Dorpstraat;;2
1;Dorpstr. 2;Dorpstr.;;2
2;Dorpstraat 2;Dorpstraat;;2
3;Laan 1933 2;Laan;2;1933
4;18 Septemberplein 12;18 Septemberplein;;12
5;Kerkstraat 42-f3;Kerkstraat;-f3;42
6;Kerk straat 2b;Kerk straat;b;2
7;42nd street, 1337a;42nd street;a;, 1337
8;1e Constantijn Huigensstraat 9b;1e Constantijn Huigensstraat;b;9
9;Maas-Waalweg 15;Maas-Waalweg;;15
10;De Dompelaar 1 B;De Dompelaar;B;1

到目前为止一切顺利，暂时。接下来，我想更正门牌号码范围，例如“42-46”和“60-65”。

Are.findall返回期望值：

import re

def rem(str):
    pattern = r'[,@\'?\.$%_]'
    if re.match(pattern, str):
        tmp = 'Y'
    else:
        tmp = 'N'
    return tmp

def extract_numrange(row):
    r = ''+row['Afleveradres']
    num_range1 = re.findall(r'([,\s]+\d+\-+\d+)\s*|([,\s]+\d+\s+\-+\s+\d+)\s*',r)

    return num_range1
    # return rem(num_range1)

dfa['excep'] = dfa.apply(extract_numrange, axis=1)
dfa

输出重新查找

15  Friedrichstädter Straße 42-46   Friedrichstädter Straße -46 42  [( 42-46, )]
16  Höhenstraße 5A  Höhenstraße A   5   []
17  Saturnusstraat 60-75    Saturnusstraat  -75 60  [( 60-75, )]
18  Saturnusstraat 60 - 75  Saturnusstraat  -;  60  [(, 60 - 75)]

但是如何将这个输出从 [( 42-46, )] 和 [(, 60 - 75)] 清理成新列中的 42-46 和 60 - 75 之类的东西？

或者我的问题有更好的方法吗？

标签： regexjupyterfindall

解决方案

问题来自于有两个捕获组的事实。您需要重新修改模式以仅使用单个捕获组，或者完全摆脱该组。

你的模式就是这种(Group1)\s*|(Group2)\s*类型。如您所见，您所需要做的就是将这些部分重新组合成(Group1|Group2)\s*.

所以，最快的解决方法是

([,\s]+\d+\-+\d+|[,\s]+\d+\s+\-+\s+\d+)\s*

请参阅正则表达式演示。

但是，我认为您不需要两端的空格。然后，将那些您不想捕获的模式移出分组：

[,\s]+(\d+\-+\d+|\d+\s+\-+\s+\d+)\s*
^^^^^^

请参阅此正则表达式演示。

可能，您可以将其进一步减少到

[,\s](\d+(?:-+|\s+-+\s+)\d+)

请参阅此正则表达式演示，这(?:-+|\s+-+\s+)是一个非捕获组，不会导致额外的元组项。

推荐阅读