如何使用Python清理带有两个分隔符的数据？

Question

我在单列中有多行文本。例如，有一列如下：- NIKE// RT-2 \n PUMA// AB-C \n NIKE// QE-3-R

我不需要"//“和"\n”之间的数据。我只需要像耐克，彪马这样的品牌，我需要他们的数量。例如，在这种情况下，我想知道这一列中有两个耐克和一个彪马。

我是Python的初学者。几个星期以来，我一直在尝试解决这个问题，但仍然没有突破。如果你们能提供帮助，我将不胜感激。干杯。

Answer 1

在纯Python中，您可以尝试这样做：

import re
from collections import Counter

row = "NIKE// RT-2 \n PUMA// AB-C \n NIKE// QE-3-R"

counts = Counter([item.replace("//", "") for item in re.findall("\w+//", row)])

print(counts)  # Counter({'NIKE': 2, 'PUMA': 1})

从这里开始，您只需对每一行进行迭代。

Answer 2

这似乎是一个使用正则表达式的好地方。正则表达式(或正则表达式)是可以从字符串中提取特定文本模式的特殊字符串。(https://en.wikipedia.org/wiki/Regular_expression)

对于您的示例，字符串‘’.+(？=//)‘’非常适合它。它主要是告诉计算机在\n和\\之间查找内容并返回文本。在我的示例代码中，我使用正则表达式返回一个列表。

import re

regex = r".+(?=//)"

test_str = ("NIKE// RT-2\n"
    "PUMA// AB-C\n"
    "NIKE// QE-3-R\n")

matches = re.findall(regex, test_str, re.MULTILINE) #["NIKE", "PUMA", "NIKE"]

results = dict((brand,matches.count(brand)) for brand in set(matches))

print(results)

re.findall函数将文本提取到列表中(参见注释)。之后，我使用字典理解创建了一个字典，显示每个品牌的数量。(https://www.datacamp.com/community/tutorials/python-dictionary-comprehension)

最终输出为：

{'NIKE': 2, 'PUMA': 1}