区切り位置前後の文字を抜き出したい

Question

#【やりたいこと】
文字列から、特定の記号（今回は、%20 ）を区切り位置として、区切り位置前後の文字を抜き出したい

#【困っているところ】
狙った位置の文字がとりだせません。
どのようにコーディングすればよいかわからないため教えて頂けると助かります。

①以下の文字列取り出したいのですが、2行目がうまく取り出せません。
1行目：blew
2行目：blew（upが取り出される）

a = pd.DataFrame({"word": ["blew%20up", "blew%20up%20abc"]})
a["word2"]= a["word"].str.split("%20")[0]
a

	word	word2
0	blew%20up	blew
1	blew%20up%20abc	up

②以下の文字列（最後の%20の後ろの文字列）取り出したいのですが、エラーが返ってきます。
1行目：up
2行目：abc

a = pd.DataFrame({"word": ["blew%20up", "blew%20up%20abc"]})
a["word2"]= a["word"].str.split("%20")[-1]
a

以下のエラーが表示される

---------------------------------------------------------------------------
KeyError                                  Traceback (most recent call last)
<ipython-input-81-df212ecf3883> in <module>
      1 a = pd.DataFrame({"word": ["blew%20up", "blew%20up%20abc"]})
----> 2 a["word2"]= a["word"].str.split("%20")[-1]
      3 a

~\Anaconda3\lib\site-packages\pandas\core\series.py in __getitem__(self, key)
    869         key = com.apply_if_callable(key, self)
    870         try:
--> 871             result = self.index.get_value(self, key)
    872 
    873             if not is_scalar(result):

~\Anaconda3\lib\site-packages\pandas\core\indexes\base.py in get_value(self, series, key)
   4402         k = self._convert_scalar_indexer(k, kind="getitem")
   4403         try:
-> 4404             return self._engine.get_value(s, k, tz=getattr(series.dtype, "tz", None))
   4405         except KeyError as e1:
   4406             if len(self) > 0 and (self.holds_integer() or self.is_boolean()):

pandas\_libs\index.pyx in pandas._libs.index.IndexEngine.get_value()

pandas\_libs\index.pyx in pandas._libs.index.IndexEngine.get_value()

pandas\_libs\index.pyx in pandas._libs.index.IndexEngine.get_loc()

pandas\_libs\hashtable_class_helper.pxi in pandas._libs.hashtable.Int64HashTable.get_item()

pandas\_libs\hashtable_class_helper.pxi in pandas._libs.hashtable.Int64HashTable.get_item()

KeyError: -1

Answer 1

もう一つ別解です。

import pandas as pd

a = pd.DataFrame({"word": ["blew%20up", "blew%20up%20abc"]})
a["word2"]= [s[0] for s in a["word"].str.split("%20")]
a["word3"]= [s[-1] for s in a["word"].str.split("%20")]
print(a)
#              word word2 word3
#0        blew%20up  blew    up
#1  blew%20up%20abc  blew   abc

Comments

[yamahisa]

回答ありがとうございます。
リストにして各データにアクセスということですね。
解決できました。ありがとうございました。

Answer 2

別解として、str.extractを使ったやつ。正規表現でグループ指定された部分だけを取り出せます。

import pandas as pd

a = pd.DataFrame({"word": ["blew%20up", "blew%20up%20abc"]})
a["word2"] = a["word"].str.extract("^(.+?)%20")
a["word3"] = a["word"].str.extract("%20(?!.*%20)(.+)$")
print(a)

              word word2 word3
0        blew%20up  blew    up
1  blew%20up%20abc  blew   abc

Comments

[LouiS0616]

"%20([^02%]+?)$" だと "blew%20up%20a1b2c" とかをうまく捌けない気がしますが、どうでしょう。"%20(?!.*%20)(.*)$" あたりならうまくいきそうですが。

[Daregada]

%20の直後が前方(末尾方向)に%20の無い位置にマッチ、で一番後ろの%20だけにマッチしますね。修整しました。

[yamahisa]

回答ありがとうございます。
正規表現で対応するというやり方もあるのですね。
解決できました。ありがとうございました。

Answer 3

質問者様のやりたいことは以下で実現可能です。

a["word"].str.split("%20")は、リストを要素に持つpandasのSeriesです。ですので、単純な[0]や[-1]は、Seriesに対しての操作とみなされ、[0]だとSeriesの最初の値['blue', 'up']が選定されて、それがword2列にセットされます。また[-1]だとSeriesのインデックス外とみなされ、エラーが出ます。

DataFrameやSeriesの中を操作するにはapplyでラムダ関数を使う必要があります。

import pandas as pd

a = pd.DataFrame({"word": ["blew%20up", "blew%20up%20abc"]})
a["word2"]= a["word"].str.split("%20").apply(lambda x: x[0])
print(a)
#              word word2
#0        blew%20up  blew
#1  blew%20up%20abc  blew

a = pd.DataFrame({"word": ["blew%20up", "blew%20up%20abc"]})
a["word2"]= a["word"].str.split("%20").apply(lambda x: x[-1])
print(a)
#              word word2
#0        blew%20up    up
#1  blew%20up%20abc   abc

Comments

[yamahisa]

回答ありがとうございます。
リストを要素に持つSeries型なので、リストのようにデータにアクセスできないということなんですね。
解決できました。ありがとうございました。