Como extrair maiúsculas e também algumas substring do dataframe do pandas usando extract?

Question

Esta questão é a questão de acompanhamento da questão anterior. Como extrair apenas substring em maiúsculas da série de pandas? .

Em vez de mudar a velha pergunta, decidi fazer a nova.

Meu objetivo é extrair o método de agregação agge o nome featdo recurso de uma coluna chamada item.

Aqui está a questão:

import numpy as np
import pandas as pd


df = pd.DataFrame({'item': ['num','bool', 'cat', 'cat.COUNT(example)','cat.N_MOST_COMMON(example.ord)[2]','cat.FIRST(example.ord)','cat.FIRST(example.num)']})


regexp = (r'(?P<agg>) '     # agg is the word in uppercase (all other substring is lowercased)
         r'(?P<feat>), '   # 1. if there is no uppercase, whole string is feat
                           # 2. if there is uppercase the substring after example. is feat
                           # e.g. cat ==> cat
                           # cat.N_MOST_COMMON(example.ord)[2] ==> ord
                  
        )

df[['agg','feat']] = df.col.str.extract(regexp,expand=True)

# I am not sure how to build up regexp here.


print(df)

"""
Required output


                                item   agg               feat
0                                num                     num
1                               bool                     bool
2                                cat                     cat
3                 cat.COUNT(example)   COUNT                           # note: here feat is empty
4  cat.N_MOST_COMMON(example.ord)[2]   N_MOST_COMMON     ord
5             cat.FIRST(example.ord)   FIRST             ord
6             cat.FIRST(example.num)   FIRST             num
""";

Answer 1

Pois feat, uma vez que você já obteve a resposta aggem sua outra pergunta sobre StackOverflow, acho que você pode usar o seguinte para extrair duas séries diferentes baseadas em dois padrões diferentes que são separados com |e, em seguida, fillna()uma série com outra.

1. ^([^A-Z]*$) só deve retornar a string completa se a string completa estiver em minúsculas
2. [^a-z].*example\.([a-z]+)\).*$só deve retornar strings depois example.e antes de )apenas se houver letras maiúsculas na string antes deexample.

---

df = pd.DataFrame({'item': ['num','bool', 'cat', 'cat.COUNT(example)','cat.N_MOST_COMMON(example.ord)[2]','cat.FIRST(example.ord)','cat.FIRST(example.num)']})

s = df['item'].str.extract('^([^A-Z]*$)|[^a-z].*example\.([a-z]+)\).*$', expand=True)
df['feat'] = s[0].fillna(s[1]).fillna('')
df
Out[1]: 
                                item  feat
0                                num   num
1                               bool  bool
2                                cat   cat
3                 cat.COUNT(example)      
4  cat.N_MOST_COMMON(example.ord)[2]   ord
5             cat.FIRST(example.ord)   ord
6             cat.FIRST(example.num)   num

O item acima fornece a saída que você está procurando para seus dados de amostra e mantém suas condições. Contudo:

1. E se houver MAIÚSCULAS depois example.? A saída atual retornaria''

veja o exemplo # 2 abaixo com alguns dos dados alterados de acordo com o ponto acima:

df = pd.DataFrame({'item': ['num','cat.count(example.AAA)', 'cat.count(example.aaa)', 'cat.count(example)','cat.N_MOST_COMMON(example.ord)[2]','cat.FIRST(example.ord)','cat.FIRST(example.num)']})

s = df['item'].str.extract('^([^A-Z]*$)|[^a-z].*example\.([a-z]+)\).*$', expand=True)
df['feat'] = s[0].fillna(s[1]).fillna('')
df
Out[2]: 
                                item                    feat
0                                num                     num
1             cat.count(example.AAA)                        
2             cat.count(example.aaa)  cat.count(example.aaa)
3                 cat.count(example)      cat.count(example)
4  cat.N_MOST_COMMON(example.ord)[2]                     ord
5             cat.FIRST(example.ord)                     ord
6             cat.FIRST(example.num)                     num