在Pandas的数据框中，有没有一种方法可以通过链接提取正则表达式模式？

Question

我正在尝试从生成的Pandas表中的链接中提取正则表达式模式。

生成Pandas数据框的代码如下：

import pandas as pd
import re

url = 'https://www.espncricinfo.com/records/year/team-match-results/2005-2005/twenty20-internationals-3'
base_url = 'https://www.espncricinfo.com'

table = pd.read_html(url, extract_links = "body")[0]
table = table.apply(lambda col: [link[0] if link[1] is None else f'{base_url}{link[1]}' for link in  col])
table

我想从表格中的链接中提取比赛ID。对于每场比赛，比赛ID是在“t20i-”模式之后连续的数字集合，并在斜杠之前结束。例如： 对于这场比赛，比赛ID是211048。以下是用于单场比赛的代码：

scorecard_url = 'https://www.espncricinfo.com/series/australia-tour-of-new-zealand-2004-05-61407/new-zealand-vs-australia-only-t20i-211048/full-scorecard'
match_id = re.findall('t20i-(d*)/', scorecard_url)
match_id[0]

我想通过使用一个派生列match-id来对整个表格进行操作。该列使用Scorecard列。然而，我一直无法实现。

我最初尝试了这个简单的命令：

table['match_id']= re.findall('t20i-(d*)/', table['Scorecard'])
table

我得到了一个'TypeError: expected string or bytes-like object'的错误，这让我认为链接没有存储为字符串，可能是导致问题的原因。

然后我尝试了：

table['match_id']= re.findall('t20i-(d*)/', str(table['Scorecard']))
table

这给了我一个'ValueError: Length of values (0) does not match length of index (3)'的错误，我不确定这是什么原因。

我还尝试了使用lambda函数的方法，但没有成功。如果这个方法可行，我也不介意使用它。

Answer 1

你接近了。 这将添加一个带有比赛ID的新列。

import pandas as pd
import re

url = 'https://www.espncricinfo.com/records/year/team-match-results/2005-2005/twenty20-internationals-3'
base_url = 'https://www.espncricinfo.com'

def match(row):
    match_id = re.findall('t20i-(\d*)/', row[1])
    return match_id[0]
    
table = pd.read_html(url, extract_links = "body")[0]
table['match'] = table['Scorecard'].apply(match)
print(table)

输出:

Team 1  ...   match
0   (新西兰, None)  ...  211048
1       (英格兰, None)  ...  211028
2  (南非, None)  ...  222678

[3 行 x 8 列]