Невозможно найти первое вхождение подстроки, используя регулярное выражение для набора значений в пандах - PullRequest
Новая
       27

Невозможно найти первое вхождение подстроки, используя регулярное выражение для набора значений в пандах

1 голос
/ 23 сентября 2019

У меня есть датафрейм, как показано ниже, мне нужно найти только первое вхождение в строке для набора значений.

Я не могу использовать функцию "найти" вместе с регулярными выражениями и словарем.И если я использую функцию «findall», это, конечно, поиск всех случаев, которые мне не нужны. 

Text

51000/1-PLASTIC 150 Prange
51034/2-RUBBER KL 100 AA
51556/3-PAPER BD+CM 1 BOXT2
52345/1-FLOW IJ 10place 500 plastic
54975/1-DIVIDER PQR 100 BC
54975/1-SCALE DEF 555 AB Apple 
54975/1-PLASTIC ABC 4.6 BB plastic

Код: 

import re

L = ['PLASTIC','RUBBER','PAPER','FLOW']
pat = '|'.join(r"\b{}\b".format(x) for x in L)

df['Result'] = df['Text'].str.find(pat, flags=re.I).str.join(' ')
print(df)

df = df.replace(r'^\s*$', np.nan, regex=True)
df = df.replace(np.nan, "Not known", regex=True)
#df['Result'] = df['Result'].str.lower()

Ожидаемый результат: 

Text                                                   Result

51000/1-PLASTIC 150 Prange                            Plastic
51034/2-RUBBER KL 100 AA                              Rubber
51556/3-PAPER BD+CM 1 BOXT2                           Paper
52345/1-FLOW IJ 10place 500 plastic                   Flow
54975/1-DIVIDER PQR 100 BC                            Not known
54975/1-SCALE DEF 555 AB Apple                        Not KNown 
54975/1-PLASTIC ABC 4.6 BB plastic                    Plastic

Ошибка:

Ошибка типа: find () получила неожиданный аргумент ключевого слова 'flags'

1 Ответ

1 голос
/ 23 сентября 2019

Используйте Series.str.findall вместо find с выбором первого значения списков, возвращаемых из findall путем индексации str[0]: 

import re

L = ['PLASTIC','RUBBER','PAPER','FLOW']
pat = '|'.join(r"\b{}\b".format(x) for x in L)

df['Result'] = df['Text'].str.findall(pat, flags=re.I).str[0]

Или используйте Series.str.extract: 

df['Result'] = df['Text'].str.extract('(' + pat + ')', flags=re.I)

Затем преобразовать пропущенные значения в Not known: 

df['Result'] = df['Result'].fillna("Not known")

Последнее при необходимости использовать Series.str.capitalize: 

df['Result'] = df['Result'].str.capitalize()
print (df)
                                   Text     Result
0            51000/1-PLASTIC 150 Prange    Plastic
1              51034/2-RUBBER KL 100 AA     Rubber
2           51556/3-PAPER BD+CM 1 BOXT2      Paper
3   52345/1-FLOW IJ 10place 500 plastic       Flow
4            54975/1-DIVIDER PQR 100 BC  Not known
5        54975/1-SCALE DEF 555 AB Apple  Not known
6  54975/1-PLASTIC ABC 4.6 BB plastic      Plastic
...