Regex и pandas: извлечь частичную строку при совпадении имени

Question

У меня есть фрейм данных pandas, содержащий примеры веб-чата между двумя людьми, клиентом и оператором службы поддержки.

Имя клиента всегда объявляется в первой строке веб-чата, когда клиент вступает в разговор.

Пример 1:

В: df['log'][0]

Out: [14:40:48] You are joining a chat with James[14:40:48] James: Hello, I\'m looking to find out more about the services and products you offer.[14:41:05] Greg: Thank you for contacting us. [17:41:14] Greg: Could I start by asking what services lines or products you are interested in knowing more about, please?[14:41:23] James: I would like to know more about your gardening and guttering service.[14:43:20] James: hello?[14:43:32] Greg: thank you, for more information on those please visit www.example.com/more_examples.[14:44:12] James: Thanks[14:44:38] James has exited the session.

Пример 2:

В: df['log'][1]

Out: [09:01:25] You are joining a chat with Roy Andrews[09:01:25] Roy Andrews: I\'m asking on behalf of partner whether she is able to still claim warranty on a coffee machine she purchased a year and a half ago? [09:02:00] Jamie: Thank you for contacting us. Could I start by asking for the type of coffee machine purchased please, and whether she still has a receipt?[09:02:23] Roy Andrews: BRX0403, she no longer has a receipt.[09:05:30] Jamie: Thank you, my interpretation is that she would not be able to claim as she is no longer under warranty. [09:08:46] Jamie: for more information on our product warranty policy please see www.brandx.com/warranty-policy/information[09:09:13] Roy Andrews: Thanks for the links, I will let her know.[09:09:15] Roy Andrews has exited the session.

Имена в чате всегда различаются, так как разные клиенты используют сервис веб-чата.

Клиент может войти в чат с одним или несколькими именами. Пример: James Ravi Roy Andrews.

Требования:

Я бы хотел отделить все экземпляры чата клиента (например, чат по James и Roy Andrews) от столбца df['log'] в новый столбец df[text_analysis].

Из примера 1 выше это будет выглядеть так:

В: df['text_analysis][0]

Out: [14:40:48] You are joining a chat with James[14:40:48] James: Hello, I\'m looking to find out more about the services and products you offer.[14:41:23] James: I would like to know more about your gardening and guttering service.[14:43:20] James: hello?[14:44:12] James: Thanks

EDIT: Оптимальное решение будет извлекать подстроки, как указано в примере выше, и опускать конечную метку времени [14:44:38] James has exited the session..

Что я пробовал до сих пор: Я извлек имена клиентов из столбца df['log'] в новый столбец с именем df['names'], используя:

df['names'] = df['log'].apply(lambda x: x.split(' ')[7].split('[')[0])

Я хотел использовать имена в столбце df['names'] для использования в функции str.split() pandas - что-то вроде:

df['log'].str.split(df['names']) однако это не работает, и если в этом сценарии произошло разделение, я думаю, что оно не будет должным образом разделять чаты клиента и оператора услуг.

Также я попытался включить имена в решение типа regex:

df['log'].str.extract('([^.]*{}[^.]*)').format(df['log']))

Но это тоже не работает (потому что я предполагаю, что .extract() не поддерживает формат.

Любая помощь будет принята с благодарностью.

Answer 1

Используйте regex, longs - ваш первый абзац:

import re
re.match(r'^.*(?=\[)', longs).group()

Результат:

"[14:40:48] You are joining a chat with James[14:40:48] James: Hello, I'm looking to find out more about the services and products you offer.[14:41:05] Greg: Thank you for contacting us. [17:41:14] Greg: Could I start by asking what services lines or products you are interested in knowing more about, please?[14:41:23] James: I would like to know more about your gardening and guttering service.[14:43:20] James: hello?[14:43:32] Greg: thank you, for more information on those please visit www.example.com/more_examples.[14:44:12] James: Thanks"

Вы можете упаковать эту функцию регулярного выражения в свой фрейм данных:

df['text_analysis'] = df['log'].apply(lambda x: re.match(r'^.*(?=\[)', x).group())

Пояснения: строка регулярного выражения '^.*(?=\[)' означает: с начала ^, соответствует любое число любого символа .*, заканчивается [, но не включает его (?=\[). Поскольку регулярное выражение совпадает с самой длинной строкой, оно будет идти от начала до последнего [ и не включает [.

Отдельные строки можно извлечь таким образом:

import re
customerspeak = re.findall(r'(?<=\[(?:\d{2}:){2}\d{2}\]) James:[^\[]*', s)

выход:

[" James: Hello, I'm looking to find out more about the services and products you offer.",
 ' James: I would like to know more about your gardening and guttering service.',
 ' James: hello?',
 ' James: Thanks']

Если вы хотите, чтобы они были в одной строке, вы можете ''.join(customerspeak)