python - Python Pandas 从带有短语的单元格中提取带连字符的单词

我有一个包含短语的数据框，我只想从数据框中提取由连字符分隔的复合词，然后将其放在另一个数据框中。

df=pd.DataFrame({'Phrases': ['Trail 1 Yellow-Green','Kim Jong-il was here', 'President Barack Obama', 'methyl-butane', 'Derp da-derp derp', 'Pok-e-mon'],})

到目前为止，这是到目前为止我得到的：

import pandas as pd

df=pd.DataFrame({'Phrases': ['Trail 1 Yellow-Green','Kim Jong-il was here', 'President Barack Obama', 'methyl-butane', 'Derp da-derp derp', 'Pok-e-mon'],})


new = df['Phrases'].str.extract("(?P<part1>.*?)-(?P<part2>.*)")

结果

>>> new
            part1        part2
0  Trail 1 Yellow        Green
1        Kim Jong  il was here
2             NaN          NaN
3          methyl       butane
4         Derp da    derp derp
5             Pok        e-mon

我想要的只是这个词，所以它应该是（请注意，由于2个连字符，Pok-e-mon显示为Nan）：

>>> new
            part1        part2
0          Yellow        Green
1             Jong          il
2             NaN          NaN
3          methyl       butane
4              da         derp
5             NaN          NaN

最佳答案

您可以使用此正则表达式：

(?:[^-\w]|^)(?P<part1>[a-zA-Z]+)-(?P<part2>[a-zA-Z]+)(?:[^-\w]|$)

(?:               # non capturing group
    [^-\w]|^        # a non-hyphen or the beginning of the string
)
(?P<part1>
    [a-zA-Z]+     # at least a letter
)-(?P<part2>
    [a-zA-Z]+
)
(?:[^-\w]|$)        # either a non-hyphen character or the end of the string

您的第一个问题是，没有什么可以阻止.占用空间。 [a-zA-Z]仅选择字母，这样可以避免从一个单词跳到另一个单词。
对于pok-e-mon情况，您需要检查比赛前后是否没有连字符。


见Demo here

关于python - Python Pandas 从带有短语的单元格中提取带连字符的单词，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/23132227/