Python的文本数据提取extract()及正则表达式

字符提取实例

在参考：https://blog.csdn.net/Koala_Tree/article/details/78725881
该文章时，发现里面对字符串的提取用到了extract函数
提取过程如下所示：

这是原本的字符串，要将称号Mr、Mrs、Miss等提取出来

代码如下所示：

train_data['Title'] = train_data['Name'].str.extract(' ([A-Za-z]+)\.', expand=False)

提取结果：

该提取使用了extract函数以及正则表达式，
所以我分别介绍一下该函数的使用以及正则表达式

extract解释

在python的帮助中查找其详细介绍：
Series.str.extract

• 这是该函数用法的英文解释：
• Extract capture groups in the regex pat as columns in a DataFrame.
• For each subject string in the Series, extract groups from the first match of regular expression pat.
• 将正则表达式中的提取为数据框中的列。 对于系列中的每个主题字符串，从正则表达式的第一个匹配中提取组。

参数	解释
pat	字符串 / 正则表达式
flags	int型，默认为0（无标志）。 来自re模块的标志，例如re.IGNORECASE，修改正则表达式匹配，如大小写、空格等。有关更多详细信息，请参见 re
expand	布尔值，默认为真。 如果为真，则返回每个捕获组有一列的数据框。如果为假，如果有一个捕获组，则返回序列/索引；如果有捕获组，则返回数据框。

• python的help中的例子

剩下的例子可以直接通过help来查看该函数的用法以及举例

>>>s = pd.Series(['a1', 'b2', 'c3'])
>>>s.str.extract(r'([ab])(\d)')
'''
该语句的含义也就是从字母a,b中找出对应字符的字母，并分割开来
所以得到一下结果，但没有c，所以结果c那里就是NaN
'''
#结果：
     0    1
0    a    1
1    b    2
2  NaN  NaN

>>>s.str.extract(r'([ab])?(\d)')
'''
?表示匹配前面的子表达式零次或一次。例如，"do(es)?" 
可以匹配 "do" 、 "does" 中的 "does" 、 "doxy" 中的 "do" 
'''
     0  1
0    a  1
1    b  2
2  NaN  3

正则表达式介绍

• 关于捕获组

捕获组就是把正则表达式中子表达式匹配的内容，保存到内存中以数字编号或显式命名的组里，方便后面引用。当然，这种引用既可以是在正则表达式内部，也可以是在正则表达式外部。

捕获组有两种形式，一种是普通捕获组，另一种是命名捕获组，通常所说的捕获组指的是普通捕获组。语法如下：

普通捕获组：(Expression)

命名捕获组：(?Expression)

另外需要说明的一点是，除(Expression)和(?Expression)语法外，其它的(?..)语法都不是捕获组。、

• 正则表达式
  示例：
  

示例解释
^为匹配输入字符串的开始位置。
[0-9]+ 匹配多个数字， [0-9] 匹配单个数字，+ 匹配一个或者多个。
abc$ 匹配字母 abc 并以 abc 结尾，$ 为匹配输入字符串的结束位置。

• 关于上述姓名提取字符的正则表达式的解释：
  再展示一下姓名数据的样子：
  

 ' ([A-Za-z]+)\.'

为了提取Mr,可以看到Mr前面有空格，且从大写字母开始再到小写字母 。
所以该正则表达式也是类似：先空了一格，从大写字母A-Z中匹配，再从小写字母a-z中匹配， 到 .（点）这里结束。
\表示转义，在正则表达式中点（.）表示：匹配除换行符 \n 之外的任何单字符。若要直接使用则需要加上转义符号

另编写两行简单的代码实现如下：

'''
提取Mi,Xr,可以看到该提取字符前面没有空格了，所以将正则表达式稍作
修改删除空格，即可得到需要的效果
'''
improt pandas as pd
x=['Aaa,Mi.mmmki','Aaa,Xr.mmmki']
x=pd.DataFrame(x)
x[1]=x[0].str.extract('([A-Za-z]+)\.')

下图可以看到第一列为提取前，第二列为提取后的样子

参考的文章：
有关正则表达式的详细介绍，关于语法等，请参考该篇文献
https://www.runoob.com/regexp/regexp-syntax.html
有关正则捕获组的相应介绍，请参考该篇文献
https://www.cnblogs.com/luckcs/articles/2212976.html