Python:从字符串中提取出独特的句子，并将它们放在与之连接的新列中；

Question

下午的花草，

当我试图为一些用户准备数据时，我遇到了一些抽象/的挑战。正如我所建议的，在SQL中很难做到这一点，因为没有明确的模式，我在python中尝试了一些东西，但是没有成功(因为我仍然在学习python)。

问题陈述：

我的SQL查询输出要么是excel，要么是文本文件(这取决于我如何发布它，但两者都可以)。我有一个字段( excel或文本文件中的第四列)，它包含一个或多个拒绝原因(参见下面的示例)，用逗号分隔。同时，在错误(有时)中使用逗号。

字段示例，无需任何修改

INVOICE_CREATION_FAILED[无效地址信息:公司名称，有限公司:第1行蓝莓街10+City++09301+SK|SK000001111|BLD，发票上的公司Id与系统中注册的公司Id :AL12345678901 ABC1D\DL0000001在第2行，不正确的采购订单:第1行的VTB2R\ADLAVA9 9]

期望输出：

地址信息无效；发票上的公司Id与系统中为代码注册的公司Id不匹配；采购订单不正确

Python代码：

import pandas

excel_data_df = pandas.read_excel('rejections.xlsx')

# print whole sheet data
print(excel_data_df['Invoice_Issues'].tolist())

excel_data_df['Invoice_Issues'].split(":", 1)

输出

INVOICE_CREATION_FAILED[Invalid Address information:

我试过分裂字符串，但它不能正常工作。它删除冒号之后的所有内容，这是可以接受的，因为它是以这种方式编码的，但是，我需要修剪不必要数据的字符串，并且只保留每一行所需的输出。如果子字符串可用，我将非常感谢任何关于如何修剪输出的代码建议，我将只从该字符串中提取所需的内容。

在excel中，我通常会使用错误列表，并在FIND和MATCH中嵌套IFs函数。但我不知道怎么用Python..。

非常感谢，

格雷格

Answer 1

这不是最快的方法，但在Python中，速度很少是最重要的。

在这里，我们手动创建一个错误字典以及您希望它们映射到什么，然后迭代Invoice_Issues中的值，并使用字典查看该键是否存在。

import pandas

# create a standard dataframe with some errors
excel_data_df = pandas.DataFrame({
    'Invoice_Issues': [
        'INVOICE_CREATION_FAILED[Invalid Address information: Company Name, Limited: Blueberry Street 10+City++09301+SK|SK000001111|BLD at line 1 , Company Id on the Invoice does not match with the Company Id registered for the Code in System: [AL12345678901]|ABC1D|DL0000001 at line 2 , Incorrect Purchase order: VTB2R|ADLAVA9 at line 1 ]']
})

# build a dictionary 
# (just like "words" to their "meanings", this maps 
#  "error keys" to their "error descriptions".
errors_dictionary = {
    'E01': 'Invalid Address information',
    'E02': 'Incorrect Purchase order',
    'E03': 'Invalid VAT ID',
    # ....
    'E39': 'No tax line available'
}


def extract_errors(invoice_issue):
    # using the entry in the Invoice_Issues column, 
    # then loop over the dictionary to see if this error is in there.
    # If so, add it to the list_of_errors.
    list_of_errors = []
    for error_number, error_description in errors_dictionary.items():
        if error_description in invoice_issue:
            list_of_errors.append(error_description)
    return ';'.join(list_of_errors)
    

# print whole sheet data
print(excel_data_df['Invoice_Issues'].tolist())


# for every row in the Invoice_Isses column, run the extract_errors function, and store the value in the 'Errors' column.
excel_data_df['Errors'] = excel_data_df['Invoice_Issues'].apply(extract_errors)

# display the dataframe with the extracted errors
print(excel_data_df.to_string())
excel_data_df.to_excel('extracted_errors.xlsx)