仅提取字母和第一个数字

Question

我正在使用包含字母，特殊字符和数字的数据框。我的目标是提取所有字母和第一个数字。所有数字总是出现在字母和特殊字符之后；但是，某些字母可能会出现在特殊字符之后。请参见下面的示例：

d = {'col1': ['A./B. 1234', 'CDEF/G5.','AB./C23']}
df = pd.DataFrame(data=d)
print(df)
#    col1
# 0  A./B. 1234
# 1  CDEF/G5.
# 2  AB./C23

我查询了许多变体，但不知道如何处理特殊字符./等。

df.col1.str.extract('([A-Za-z\d]+)')
#    0
# 0  A
# 1  CDEF
# 2  AB

这会给我所有字母和数字，直到达到特殊字符为止。最终，我希望得到以下输出：

AB1
CDEFG5
ABC2

我是正则表达式新手。

Answer 1

您需要提取所有字符，直到第一个数字，包括第一个数字，然后用空字符串替换所有非字母/数字字符：

d = {'col1': ['A./B. 1234', 'CDEF/G5.','AB./C23']}
df = pd.DataFrame(data=d)
df.col1.str.extract(r'^([^\d]+\d)').replace('[^A-Za-z0-9]', '', regex=True)

输出：

        0
0     AB1
1  CDEFG5
2    ABC2

Answer 2

另一种方法

s=df['col1'].str.extractall("([a-zA-Z0-9])")[0]
s[s.str.isalpha()|s.shift().str.isalpha()].sum(level=0)
0       AB1
1    CDEFG5
2      ABC2
Name: 0, dtype: object

Answer 3

import re

#create compiled regex... just makes it easier
pat1 = re.compile(r'[a-z]+', flags=re.IGNORECASE)
pat2 = re.compile(r'\d{1}')
#extract words and numbers
step1 = [''.join(pat1.findall(entry)) for entry in df.col1]
step2 = [pat2.search(entry).group() for entry in df.col1]

#combine words and numbers, withe the number trailing word(s)
[''.join(ent) for ent in zip(step1,step2)]

['AB1', 'CDEFG5', 'ABC2']

Answer 4

每个字母后可以跟任意数量的特殊字符。之后，您得到一个数字。以下正则表达式对此进行编码：

((?:[A-Za-z][./\w]*)+\d)