在Python中根据数据框创建正则表达式匹配列表，然后计算匹配数

Question

我在试着

-match美元/美分/百分比在数据框的列中出现的次数-create列出所有这些匹配项的函数-create计算匹配项数的函数

我可以成功地使用正则表达式来查找匹配项，但是我无法获得显示的列表并对它们进行计数。我尝试使用str.extract()列出所有匹配，并使用str.contains().sum()计算匹配的数量。然而，我不能让它们同时工作，我不确定这是不是正确的方法。

这是我到目前为止所知道的：

(?:^|\s)(\$?(?:\d[ ,.]?)+%?)(?=\s|$) 

这将匹配任何美元/美分或百分比，并说明了我尝试包括的一系列不同的输入错误，因此regex字符串就可以了。

import re
import pandas as pd

sample_csv = pd.DataFrame({'SMS_text': ['$1', '214-233-4455'],
                           'SMS_number': ['1', '1'],
                           'Amount': ['12.12%', '$10.12'],
                           'Percent': ['10%', '1']})

sample_csv.Amount.str.extract(r'(\$?(?:\d[ ,.]?)+%?)(?=\s|$)')

这将列出Amount列中的匹配项。

0    12.12%
1    $10.12
Name: Amount, dtype: object

如果我用sample_csv.Amount.str.contains(r'(\$?(?:\d[ ,.]?)+%?)(?=\s|$)').sum()替换str.extract()，它会告诉我有多少个匹配项(即2个)，但同样，我不能让它们同时工作。

这是正确的方法，还是我设置错了？看起来也许findall()或re.compile()可能工作得更好，但我不确定如何让它们正常工作。

我希望上面的输出是这样的：

regex_number_matches = ['12.12%', '$10.12']
regex_number_matches_count = 2

Answer 1

如果您希望数据帧中出现%或$的总次数，请尝试

sample_csv.stack().str.contains('%|\$').sum()

它返回4

如果您想要显示这些单元格的所有实例，请尝试

sample_csv[sample_csv.stack().str.contains('%|\$').unstack()]

然后你就会得到

    Amount  Percent SMS_number  SMS_text
0   12.12%  10%     NaN         $1
1   $10.12  NaN     NaN         NaN

Answer 2

(在我看来)您似乎希望在Amount列中找到那些不能转换为数字的值：

假设您具有以下DF：

In [107]: sample_csv
Out[107]:
   Amount Percent  SMS_number      SMS_text
0  12.12%     10%           1            $1
1  $10.12       1           1  214-233-4455
2    1.23       2           1  214-233-4455
3    33,5       3           1  214-233-4455

首先，为数量不能转换为数值的那些行创建一个布尔掩码：

In [108]: mask = pd.to_numeric(sample_csv['Amount'], errors='coerce').isnull()

In [109]: mask
Out[109]:
0     True
1     True
2    False
3     True
Name: Amount, dtype: bool

现在，您可以使用以下掩码轻松过滤DF：

In [110]: sample_csv.loc[mask, 'Amount']
Out[110]:
0    12.12%
1    $10.12
3      33,5
Name: Amount, dtype: object

In [111]: sample_csv.loc[mask, 'Amount'].tolist()
Out[111]: ['12.12%', '$10.12', '33,5']

In [112]: len(sample_csv.loc[mask, 'Amount'])
Out[112]: 3