【python】文字列から、数値と文字に分ける方法を教えてください。

Question

元がcsvのデータで、数値と文字の混ざった列があります。
このままpandasのread_csvで読み込むと、「object」になります。

これを、数値と文字に分けたいのですが、方法がわかりません。

例えば、以下のように数字は整数と少数が混在しておりますが、
文字部分は日本語に限られています。

変換前 変換後
1.2 －－＞1.2
2後半ーー＞2 ,後半
3弱 ーー＞3 ,弱
3半 ーー＞3 ,半
2.5 －－＞2.5

データフレームにしてから以下のように試してみましたが、これでは小数点を考慮できず、
「1.2」ー＞「1」となってしまいました。

df[カラム名].str.extract('([0-9]+)').astype(float)

正規表現もよく理解できておらず恐縮ですが、どうぞよろしくお願いいたします。

Answer 1

数字、日本語の順で固定ならば、([0-9]+?)([^0-9.]+?)という正規表現を使ってみてください。
Match の第一グループに数字が、第二グループに数字でない部分が入ります。
数字のみで日本語がなかった場合には、第二グループが空文字になります。

Comments

[Zuishin]

もちろん、re.match を使ってください。

[uraco]

丁寧なご説明、ありがとうございます。「^」を使うとよいのですね、勉強になりました。
＞[^0-9.]が「0～9とピリオドを除く一文字」とのことで、以上に倣い以下のようにしましたところ、「2後半」ーー＞「後」と一文字になってしまいました。
「後半」と2文字を取り出すにはどうしたらよいでしょう？
df[カラム名].str.extract('([^0-9.]+?)')

正規表現への理解もpythonの理解も浅く、申し訳ないです・・・。

[Zuishin]

最長一致の原則から、それで最後まで取れるはずなのですが、+を全角にしていたりしていませんよね？
半角になっていましたらごめんなさい。
保険で+と?の間に半角の＄を入れてみて下さい。

[uraco]

('([^0-9.]+$?)')としてみましたら、エラーが出ちゃいました。
「nothing to repeat」
しかしながら、1文字でもなんとかなりそうなので、これでやってみます！
早々に助けていただき、ありがとうございました！

[Zuishin]

＄と?の位置を逆にしてみたらどうですか？

[uraco]

('([^0-9.]+?$)')　でできました！！ありがとうございました！
正規表現を理解できると、データセットが楽になりそうです。
これを機に、勉強します！

Answer 2

[0-9.]としてみては？

Comments

[uraco]

あ！！！できました！ありがとうございます！
数字部分はこれで解決です！

ちなみに、文字部分はどうしたらよろしいのでしょうか？？

[Zuishin]

[0-9.]は「0～9とピリオド」にマッチする正規表現です。

その後の「+」が、「それ以前の正規表現の一回以上の繰り返し」になります。

つまり[0-9.]+は、0～9まであるいはピリオドの一回以上の繰り返しを表します。

そして、[^0-9.]が「0～9とピリオドを除く一文字」にマッチする正規表現です。