将一串空格分隔的单词拆分为多行

Question

我有这个暗网数据,数据如下所示:origin列包含一行中的多个国家/地区.

df = pd.DataFrame({'Item': ['Weapons', 'Drugs', 'Data'], 'Origin': ['US UK AUS', 'US', 'Canada']})

我试图将第一行转换为多行.在这种情况下,三个!

df = pd.DataFrame({'Item': ['Weapons', 'Weapons', 'Weapons','Drugs', 'Data'], 'Origin': ['US', 'UK', 'AUS', 'US', 'Canada']})

有没有我可以使用的简单代码？

如果不是这样,我怎么能使它成为可能？

Answer 1

选项1
str.extractall -

(df.set_index('Item').Origin
   .str.extractall(r'\b(?P<Origin>\w+)\b')
   .reset_index()
   .drop('match', 1))

      Item  Origin
0  Weapons      US
1  Weapons      UK
2  Weapons     AUS
3    Drugs      US
4     Data  Canada

该模式将所有单词提取到一个单独的行中 -

\b           # word boundary
(?P<Origin>  # named capture group called "Origin"
\w+          # any string of letters/digits (you can change this to [^\s]+ instead to match punctuation
)            # closing 1st capture group
\b           # word boundary

请注意,您可以通过移除drop呼叫并将其替换为呼叫来挤出更多性能del-

i = (df.set_index('Item').Origin
       .str.extractall(r'\b(?P<Origin>\w+)\b')
       .reset_index())

del i['match']

选项2
str.split + stack-

(df.set_index('Item').Origin
  .str.split(expand=True)
  .stack()
  .reset_index(level=0, name='Origin'))

      Item  Origin
0  Weapons      US
1  Weapons      UK
2  Weapons     AUS
0    Drugs      US
0     Data  Canada

性能

df = pd.concat([df] * 10000, ignore_index=True)

%%timeit 
(df.set_index('Item').Origin
   .str.extractall(r'\b(?P<Origin>\w+)\b')
   .reset_index()
   .drop('match', 1))

1 loop, best of 3: 226 ms per loop

%%timeit 
(df.set_index('Item').Origin
  .str.split(expand=True)
  .stack()
  .reset_index(level=0, name='Origin'))

10 loops, best of 3: 142 ms per loop

请注意,实际数据的效果可能会因数据的性质等而有所不同.