str - Pandas Python extrayendo palabras con guiones de las celdas con frases

pandas str extract

Question

Tengo un marco de datos que contiene frases y quiero extraer solo palabras compuestas separadas por un guión del marco de datos y ubicarlas en otro marco de datos.

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''],})

Hasta ahora, esto es lo que obtuve hasta ahora:

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>.*)")

resultados

>>> 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

Lo que quiero es tener solo la palabra para que así sea (tenga en cuenta que Pok-e-mon aparece como Nan debido a 2 guiones):

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

Answer 1

Dadas las especificaciones, no veo de dónde viene tu primera línea de Nan, Nan . Tal vez es un error tipográfico en tu ejemplo? De todos modos, aquí hay una posible solución.

import re

# returns words with at least one hyphen
def split_phrase(phrase):
    return re.findall(''(/w+(?:-/w+)+)'', phrase)

# get all words with hyphens
words_with_hyphens = sum(df.Phrases.apply(split_phrase).values)
# split all words into parts
split_words = [word.split(''-'') for word in words_with_hyphens]
# keep words with two parts only, else return (Nan, Nan)
new_data = [(ws[0], ws[1]) if len(ws) == 2 else (np.nan, np.nan) for ws in split_words]
# create the new DataFrame
pd.DataFrame(new_data, columns=[''part1'', ''part2''])

#  part1   | part2
#------------------
# 0 Yellow | Green
# 1 Jong   | il
# 2 methyl | butane
# 3 da     | derp
# 4 NaN    | NaN

Answer 2

Puedes usar esta expresión regular:

(?:[^-/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

• Tu primer problema es que nada impide que . de comer espacios. [a-zA-Z] solo selecciona letras para evitar "saltos" de una palabra a otra.
• Para el caso pok-e-mon , debe verificar que no haya un guion justo antes o después de su coincidencia.

Vea la demostración aquí