1

如果我格式错误或以其他方式破坏了我的问题，请提前道歉......

我是 pandas（和 python）的新手，并且一直在慢慢地尝试将学到的东西应用到我自己的数据集上。

我有一个稀疏的授权数据数据框，其中许多单元格为空（或等效），其中许多应该能够通过规范化来消除。此外，每个项目编号都包含可用于验证其他单独提供的字段（年份、授予人、研究活动等）的信息。

项目编号如下所示：

0             None,
1             None,
2     3C06RR018774,
3     3C06RR018774,
4     1C06RR018796,
5     1C06RR018796,
6     3C06RR018863,
7     3C06RR018863,
8     1C06RR020099,
9     1C06RR020099,
10    1C06RR020117,

我编写的正则表达式看起来像：

reobj = re.compile(r"""
(?P<type>[0-9]+)
(?P<act>[A-Z]+[0-9]+)
(?P<ic>[A-Z]{2})
(?P<serial>[0-9]{1,6})""",
flags=re.X)

我很确定这是可行的，因为：

m = core.str.match(reobj)

给出：

0                     None
1                     None
2     (3, C06, RR, 018774)
3     (3, C06, RR, 018774)
4     (1, C06, RR, 018796)
5     (1, C06, RR, 018796)
6     (3, C06, RR, 018863)
7     (3, C06, RR, 018863)
8     (1, C06, RR, 020099)
9     (1, C06, RR, 020099)
10    (1, C06, RR, 020117)

但是我无法取出组 m.groups()：

AttributeError: 'Series' object has no attribute 'groups'

我似乎也无法挖掘出解析的位，m.str.get(1)：我也得到与 m.str[0] 相同的错误

---------------------------------------------------------------------------
IndexError                                Traceback (most recent call last)
<ipython-input-44-2a7675586aff> in <module>()
----> 1 m.str.get(1)

/opt/local/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/pandas/core/strings.pyc in get(self, i)
    668     @copy(str_get)
    669     def get(self, i):
--> 670         result = str_get(self.series, i)
    671         return self._wrap_result(result)
    672 

/opt/local/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/pandas/core/strings.pyc in str_get(arr, i)
    551     """
    552     f = lambda x: x[i]
--> 553     return _na_map(f, arr)
    554 
    555 

/opt/local/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/pandas/core/strings.pyc in _na_map(f, arr, na_result)
     87 def _na_map(f, arr, na_result=np.nan):
     88     # should really _check_ for NA
---> 89     return _map(f, arr, na_mask=True, na_value=na_result)
     90 
     91 

/opt/local/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/pandas/core/strings.pyc in _map(f, arr, na_mask, na_value)
     96         mask = isnull(arr)
     97         try:
---> 98             result = lib.map_infer_mask(arr, f, mask.view(np.uint8))
     99         except (TypeError, AttributeError):
    100             def g(x):

/opt/local/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/pandas/lib.so in pandas.lib.map_infer_mask (pandas/lib.c:39584)()

/opt/local/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/pandas/core/strings.pyc in <lambda>(x)
    550     items : array
    551     """
--> 552     f = lambda x: x[i]
    553     return _na_map(f, arr)
    554 

IndexError: list index out of range

但是， m.str[:1] 确实挖掘出来：

0     None
1     None
2      (3)
3      (3)
4      (1)
5      (1)
6      (3)
7      (3)
8      (1)
9      (1)
10     (1)

我认为我的主要误解是编译匹配对象在系列中的迭代，但归根结底，我希望能够将每个组与同一行中的另一个字段进行比较，以在内部验证数据集：

m.group('ic') == data['IC']

虽然理想情况下能够跨行以类似数组的方式一次比较所有捕获的组......

任何指导，甚至只是朝着正确方向健康的推动，将不胜感激......

4

1 回答 1

0

str.match正在返回一个元组，而不是match对象：

>>> c.str.match(reobj)
0                      []
1                      []
2    (3, C06, RR, 018774)
3    (3, C06, RR, 018774)
Name: 1
>>> type(c.str.match(reobj)[2])
<type 'tuple'>

不过，我们可以得到它们：

>>> m = c.map(reobj.match)
>>> m
0                                    None
1                                    None
2    <_sre.SRE_Match object at 0xa1f4c28>
3    <_sre.SRE_Match object at 0xa05aee8>
Name: 1

有了它们，虽然有点难看，但我们可以得到一个Series比较data["IC"]：

>>> m.map(lambda x: x.group("ic") if x else None)
0    None
1    None
2      RR
3      RR
Name: 1

请注意，这些组也存储在groupindex：

>>> reobj.groupindex
{'ic': 3, 'type': 1, 'serial': 4, 'act': 2}

所以你可以以编程方式循环它们。无论如何，HTH。

于 2013-02-05T18:04:36.020 回答