複数のコラムをもつファイルを読み込んで、1つのコラムに特定の文字列が含まれている場合にその行を行ごと取り出す方法についてです。具体的には以下のような入力ファイルで、Mrを含む行のみを抽出する方法を知りたいです。
name age
1 Mr.A 30
2 Miss.B 20
3 Mr.C 25
よろしくお願いします。
スタック・オーバーフローはプログラマーとプログラミングに熱心な人のためのQ&Aサイトです。すぐ登録できます。
登録してこのコミュニティに参加する複数のコラムをもつファイルを読み込んで、1つのコラムに特定の文字列が含まれている場合にその行を行ごと取り出す方法についてです。具体的には以下のような入力ファイルで、Mrを含む行のみを抽出する方法を知りたいです。
name age
1 Mr.A 30
2 Miss.B 20
3 Mr.C 25
よろしくお願いします。
for 文とともに open()
関数でファイルを読み込むことで,行ごとのイテレーション処理が行なえます.Python では「文字列 A が文字列 B に含まれるか否か」は A in B
で判定できるので,例えば以下のようにすれば Mr.
という文字列を含む行だけが出力されます.
for l in open('input.txt'):
if "Mr." in l:
print(l, end='')
import pandas as pd
)、データを読み込んで(df = pd.read_table('tbl.dat')
)、目的の行を抽出する(df[df.name.str.contains('Mr')]
) など。
Mr.
とピリオド (.
) まで含めた文字列で判定しているので Mrs.
の行は取らないと思います.name 以外のカラムにも Mr.
という文字列が現れる可能性がある場合はもう少し複雑で,正規表現の利用なども検討する必要があります.
Mr.
だけなら df[df.name.str.contains('Mr\.')]
となります。
Kaggleの乗客名簿のデータだとすると、'Mr'を含む行を抽出するのではなくて、列name
に敬称の'Mr.'が含まれるものを抽出するという問題ではないでしょうか。'Mr.'の前は通常空白になるので、以下のようにして調べてみて、もし両方あればconcat
するのが一番いいのではないでしょうか。
df[df['name'].str.startswith('Mr.')]
df[df['name'].str.contains(' Mr.')]
このケースでは、以下でも問題はありませんが、英単語の場合はスペースで区切られているので間違って拾うのを避けるためにスペースを最初に入れて検束するのが有効な場合が多いと思います。
df[df['name'].str.contains('Mr.')]
また、敬称を予測モデルに使いたいのであれば、split
を使って分解してみたらどうでしょうか。(一般的には、Mr.
の場合、前後にスペースがくるので正規表現を使わなくても単にsplit()
でもスペースで分解してくれるので問題ないかも)
df['name'].str.split(r'[\s\.]', expand=True)