Teilen Sie eine Zeichenfolge Leerzeichen getrennt in mehrere Zeilen

Question

Ich habe diese Darknet-Daten, und die Daten sind wie folgt: Die Herkunft Spalte enthält mehrere Länder in einer Zeile.

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

Ich versuche, die erste Zeile in mehrere Zeilen zu konvertieren. In diesem Fall drei!

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

Gibt es einen einfachen Code, den ich verwenden könnte?

Wenn das nicht der Fall ist, wie kann ich es möglich machen ??

Answer 1

Option 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 

Das Muster extrahiert alle Wörter in einer separaten Zeile -

\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 

Beachten Sie, dass Sie ein bisschen mehr Leistung auspressen kann durch die drop Entfernen Rufen Sie an und ersetzen Sie es durch einen del Anruf -

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

del i['match'] 

---

Option 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 

---

Leistung

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 

Beachten Sie, dass die Leistung auf Ihrem aktuellen Daten unterscheiden sich nach der Art Ihrer Daten basieren könnte, usw.