Comment puis-je diviser les colonnes avec regex pour déplacer les CAPS de fin dans une colonne distincte?

11

J'essaie de diviser une colonne à l'aide d'expressions régulières, mais je n'arrive pas à obtenir le fractionnement correctement. J'essaie de prendre tous les CAPS de fin et de les déplacer dans une colonne distincte. Je reçois donc tous les CAPS qui sont soit 2-4 CAPS d'affilée. Cependant, il ne quitte la 'Name'colonne que lorsque la 'Team'colonne est vide.

Voici mon code:

import pandas as pd

url = "https://www.espn.com/nba/stats/player/_/table/offensive/sort/avgAssists/dir/desc"

df = pd.read_html(url)[0].join(pd.read_html(url)[1])
df[['Name','Team']] = df['Name'].str.split('[A-Z]{2,4}', expand=True)  

Je veux ceci:

print(df.head(5).to_string())
   RK             Name POS  GP   MIN   PTS  FGM   FGA   FG%  3PM  3PA   3P%  FTM  FTA   FT%  REB   AST  STL  BLK   TO  DD2  TD3    PER
0   1  LeBron JamesLA  SF  35  35.1  24.9  9.6  19.7  48.6  2.0  6.0  33.8  3.7  5.5  67.7  7.9  11.0  1.3  0.5  3.7   28    9  26.10
1   2   Ricky RubioPHX  PG  30  32.0  13.6  4.9  11.9  41.3  1.2  3.7  31.8  2.6  3.1  83.7  4.6   9.3  1.3  0.2  2.5   12    1  16.40
2   3   Luka DoncicDAL  SF  32  32.8  29.7  9.6  20.2  47.5  3.1  9.4  33.1  7.3  9.1  80.5  9.7   8.9  1.2  0.2  4.2   22   11  31.74
3   4   Ben SimmonsPHIL  PG  36  35.4  14.9  6.1  10.8  56.3  0.1  0.1  40.0  2.7  4.6  59.0  7.5   8.6  2.2  0.7  3.6   19    3  19.49
4   5    Trae YoungATL  PG  34  35.1  28.9  9.3  20.8  44.8  3.5  9.4  37.5  6.7  7.9  85.0  4.3   8.4  1.2  0.1  4.8   11    1  23.47

pour devenir ceci:

print(df.head(5).to_string())
   RK             Name    Team    POS  GP   MIN   PTS  FGM   FGA   FG%  3PM  3PA   3P%  FTM  FTA   FT%  REB   AST  STL  BLK   TO  DD2  TD3    PER
0   1  LeBron James        LA    SF  35  35.1  24.9  9.6  19.7  48.6  2.0  6.0  33.8  3.7  5.5  67.7  7.9  11.0  1.3  0.5  3.7   28    9  26.10
1   2   Ricky Rubio        PHX    PG  30  32.0  13.6  4.9  11.9  41.3  1.2  3.7  31.8  2.6  3.1  83.7  4.6   9.3  1.3  0.2  2.5   12    1  16.40
2   3   Luka Doncic        DAL    SF  32  32.8  29.7  9.6  20.2  47.5  3.1  9.4  33.1  7.3  9.1  80.5  9.7   8.9  1.2  0.2  4.2   22   11  31.74
3   4   Ben Simmons        PHIL    PG  36  35.4  14.9  6.1  10.8  56.3  0.1  0.1  40.0  2.7  4.6  59.0  7.5   8.6  2.2  0.7  3.6   19    3  19.49
4   5    Trae Young        ATL    PG  34  35.1  28.9  9.3  20.8  44.8  3.5  9.4  37.5  6.7  7.9  85.0  4.3   8.4  1.2  0.1  4.8   11    1  23.47
chitown88
la source

Réponses:

9

Vous pouvez extraire les données en deux colonnes en utilisant une expression régulière comme ^(.*?)([A-Z]+)$ou ^(.*[^A-Z])([A-Z]+)$:

df[['Name','Team']] = df['Name'].str.extract('^(.*?)([A-Z]+)$', expand=True)

Cela gardera tout jusqu'au dernier caractère qui n'est pas une lettre majuscule dans le groupe "Nom" et les dernières lettres majuscules dans le groupe "Team".

Voir démo regex # 1 et démo regex # 2

Détails

  • ^ - début d'une chaîne
  • (.*?)- Groupe de capture 1: zéro ou plusieurs caractères autres que les caractères de saut de ligne, aussi peu que possible
    ou
  • (.*[^A-Z]) - tout zéro ou plusieurs caractères autres que les caractères de saut de ligne, autant que possible, jusqu'au dernier caractère qui n'est pas une lettre majuscule ASCII (à condition que les modèles suivants correspondent) (notez que ce modèle implique qu'il y a au moins 1 caractère avant le dernières lettres majuscules)
  • ([A-Z]+) - Capture groupe 2: une ou plusieurs lettres majuscules ASCII
  • $ - fin de chaîne.
Wiktor Stribiżew
la source
1

J'ai apporté quelques modifications aux fonctions, vous devrez peut-être ajouter un nouveau package.

C'est un peu manuel, mais j'espère que cela suffira. Passez une bonne journée!

df_obj_skel = dict()
df_obj_skel['Name'] = list()
df_obj_skel['Team'] = list()
for index,row in df.iterrows():
    Name = row['Name']
    Findings = re.search('[A-Z]{2,4}$', Name)
    Refined_Team = Findings[0]
    Refined_Name = re.sub(Refined_Team + "$", "", Name)
    df_obj_skel['Team'].append(Refined_Team)
    df_obj_skel['Name'].append(Refined_Name)
df_final = pd.DataFrame(df_obj_skel)
print(df_final)
Indice d'octane élevé
la source