基于多个条件和未知数提取数据以解决数据清理问题

Question

我对 python 相当陌生，并且有点陷入一个问题，我正在提取非常混乱的数据。 例如，我的专栏如下所示：

身份证	代码	描述
ID123	rdm代码	一些自由文本和PL123所需的数据
ID124	代码 Rdm	一些文字，此处没有必需的数据，还有更多文字
ID125	差异...	PL12345 和一些文本，加上此框中的更多文本，以及更多所需数据 PL123456 和 PL1234567

我想做的就是将此信息提取到以下格式的新数据框中：

身份证	代码	摘录
ID123	代码	PL123
ID125	差异	PL12345
ID125	差异	PL123456
ID125	差异	PL1234567

我遇到的一个大问题是，我寻找的大多数命令和一些类似的问题是，使用 str.match 或 str.extract 似乎只有在每一行都有这些值之一的情况下才有效，并且该数据集的情况并非如此。

我已经尝试了很多不同的方法，但一直陷于这一切的不同部分，并希望有人能够以此为我指明正确的方向？

谢谢！

Answer 1

我假设代码以

PL...

开头，那么你可以这样做：

df["CODE"] = df["CODE"].str.extract(r"(CODE|DIFF)")
df["EXTRACT"] = df["DESCRIPTION"].str.findall(r"\b(PL\d+)\b")

df = df[["ID", "CODE", "EXTRACT"]].explode("EXTRACT").dropna()

print(df)

打印：

      ID  CODE    EXTRACT
0  ID123  CODE      PL123
2  ID125  DIFF    PL12345
2  ID125  DIFF   PL123456
2  ID125  DIFF  PL1234567