如何对数据集的所有行应用regex？

Question

我有如下数据集：

    data = {"C1" : ['DDDSSDSSDS','SSDDDSSDDS', 
   'DDDDDDDDDD','SSSSSSSSSS','SSSSSSSDSS','DDDDDSDDDD','SDDDDDDDDD']}
    dt = pd.DataFrame(data)
    print(dt)

对于每个字符串，我想得到每个“不间断S组”的第一个元素和最后一个元素的位置。例如，对于第一行，我有'DDDSSDSSDS‘(正如您看到的，我有三组S)，我对这个"S组“的最喜欢的输出类似于[(3,5),(6,8),(9-10)]，它显示了第一行中第一、第二和第三个”不间断S组“的位置。

因此，输出的一个例子可以是：

           C1                         C2
0  DDDSSDSSDS       [(3, 5), (6, 8), (9-10)]
1  SSDDDSSDDS  [(0, 2), (5, 7), (9, 10)]
2  DDDDDDDDDD                         []
3  SSSSSSSSSS                  [(1, 11)]
4  SSSSSSSDSS          [(0, 7), (8, 10)]
5  DDDDDSDDDD                   [(5, 6)]
6  SDDDDDDDDD                   [(0, 1)]

我目前的解决办法是：

def split_it(mystring):
    x = re.findall('(S*)', mystring)
    if x :
      return(x)

dt['C2'] = dt['C1'].apply(split_it)
print(dt)

这将导致以下输出：

0  DDDSSDSSDS  [, , , SS, , SS, , S, ]
1  SSDDDSSDDS  [SS, , , , SS, , , S, ]
2  DDDDDDDDDD   [, , , , , , , , , , ]
3  SSSSSSSSSS           [SSSSSSSSSS, ]
4  SSSSSSSDSS        [SSSSSSS, , SS, ]
5  DDDDDSDDDD  [, , , , , S, , , , , ]
6  SDDDDDDDDD  [S, , , , , , , , , , ]

Answer 1

您可以使用

def split_it(mystring):
    return [(m.start(), m.end()) for m in re.finditer('S+', mystring)]

输出：

>>> dt['C1'].apply(split_it)
0    [(3, 5), (6, 8), (9, 10)]
1    [(0, 2), (5, 7), (9, 10)]
2                           []
3                    [(0, 10)]
4            [(0, 7), (8, 10)]
5                     [(5, 6)]
6                     [(0, 1)]
Name: C1, dtype: object

re.finditer('S+', mystring)返回字符串中找到的所有匹配对象，您可以通过.start()和.end()调用获得开始和结束位置。

注意，输出中有空匹配，因为S*匹配零或多个S字符，因此需要使用+来匹配一个或多个字符。

Answer 2

您可以使用findall应用regex：

(
    dt
    .assign(C2= lambda x: x['C1'].str.findall('S+'))
    .assign(C2= lambda x: x.apply(lambda s: [(s[0].find(item),s[0].find(item)+len(item)) for item in s[1]] ,axis=1))
)

           C1                        C2
0  DDDSSDSSDS  [(3, 5), (3, 5), (3, 4)]
1  SSDDDSSDDS  [(0, 2), (0, 2), (0, 1)]
2  DDDDDDDDDD                        []
3  SSSSSSSSSS                 [(0, 10)]
4  SSSSSSSDSS          [(0, 7), (0, 2)]
5  DDDDDSDDDD                  [(5, 6)]
6  SDDDDDDDDD                  [(0, 1)]