按照特定模式从列中提取字符串

Question

请原谅我的熊猫新手问题，但我有一列美国城镇和州，例如下面所示的截短的版本（出于某些奇怪的原因，该列的名称称为“ Alabama
[edit]”，该列与第一个列中的0-7城镇值）：

0                          Auburn (Auburn University)[1]
1                 Florence (University of North Alabama)
2        Jacksonville (Jacksonville State University)[2]
3             Livingston (University of West Alabama)[2]
4               Montevallo (University of Montevallo)[2]
5                              Troy (Troy University)[2]
6      Tuscaloosa (University of Alabama, Stillman Co...
7                      Tuskegee (Tuskegee University)[5]
8                                           Alaska[edit]
9          Fairbanks (University of Alaska Fairbanks)[2]
10                                         Arizona[edit]
11            Flagstaff (Northern Arizona University)[6]
12                      Tempe (Arizona State University)
13                        Tucson (University of Arizona)
14                                        Arkansas[edit]
15     Arkadelphia (Henderson State University, Ouach...
16     Conway (Central Baptist College, Hendrix Colle...
17              Fayetteville (University of Arkansas)[7]
18              Jonesboro (Arkansas State University)[8]
19            Magnolia (Southern Arkansas University)[2]
20     Monticello (University of Arkansas at Monticel...
21            Russellville (Arkansas Tech University)[2]
22                        Searcy (Harding University)[5]
23                                      California[edit]

每个州的城镇均在每个州名称之下，例如，费尔班克斯（列值9）是阿拉斯加州的一个城镇。

我想要做的是根据州名称拆分城镇名称，这样我就有两列“州”和“地区名称”，其中每个州名称与每个城镇名称相关联，如下所示：

                            RegionName                       State
0                          Auburn (Auburn University)[1]    Alabama
1                 Florence (University of North Alabama)    Alabama
2        Jacksonville (Jacksonville State University)[2]    Alabama
3             Livingston (University of West Alabama)[2]    Alabama
4               Montevallo (University of Montevallo)[2]    Alabama
5                              Troy (Troy University)[2]    Alabama
6      Tuscaloosa (University of Alabama, Stillman Co...    Alabama
7                      Tuskegee (Tuskegee University)[5]    Alabama

8         Fairbanks (University of Alaska Fairbanks)[2]     Alaska

9         Flagstaff (Northern Arizona University)[6]        Arizona
10                      Tempe (Arizona State University)    Arizona
11                        Tucson (University of Arizona)    Arizona

12        Arkadelphia (Henderson State University, Ouach... Arkansas

。。。等等。

我知道每个州名后面都有一个字符串“ [edit]”，我认为我可以用它来分割和分配城镇名。但是我不知道该怎么做。

另外，我知道我还需要进行许多其他数据清理工作，例如删除括号内和方括号“
[]”中的字符串。以后可以做…重要的部分是将州和镇分开，并将每个镇分配给其适当的美国。我们将不胜感激任何建议。

Answer 1

在没有太多背景信息或无法访问您的数据的情况下，我建议遵循以下原则。首先，修改读取数据的代码：

df = pd.read_csv(..., header=None, names=['RegionName']) 
# add header=False so as to read the first row as data

现在，使用提取状态名称str.extract，这仅应提取名称，只要该名称后接子字符串“
[edit]”即可。然后，您可以使用来填充所有NaN值ffill。

df['State'] = df['RegionName'].str.extract(
    r'(?P<State>.*)(?=\s*\[edit\])'
).ffill()