数据常见的提取和筛选方法

平时对于一些不标准的数据，需要提取或者筛选其中的部分数据。本文主要分享一些常用的办法，同时也作为一个笔记的备份。

1. 正则表达式

正则表达式比较适合提取有明确类型的数据，比如字母，数字，汉字，日期等，同时也可以提取具有一定规律特征的数据。常见的用法如下：

import re

text = '2023-11-01，AAaa产品净值上涨1%，详细内容见《产品周报》'
# 提取数字
get_num = re.findall(r'\d+', text)
# 提取汉字
get_chinese = re.findall(r'[\u4e00-\u9fa5]+', text)
# 提取字母,不区分大小写
get_letter = re.findall(r'[a-zA-Z]', text)
# 提取日期
get_date = re.search(r'\d{4}-\d{2}-\d{2}', text)[0]
# 提取指定部分--使用'(.*?)?'表示需查找部分
find_str = '《(.*?)》'
get_part = re.findall(find_str, text)

2. 分割提取

分割提取是根据数据的某个标志，将数据切割为列表，然后载提取相关的数据，常见函数为split.

name = '20230101-举例asd基金(000001)-三级估值表.xlsx'

如上，name是一个基金的估值表文件，需要提取的字符为‘举例asd基金’，如果使用正则表达式也可以获取（先提取不同类型的数据，然后再进行拼接），但是步骤比较繁琐，同时泛化能力不强。因此，需要使用其他办法。

第一步，通过‘-’进行切割，可以得到一个列表（含三个元素）：

first = name.split('-')
print(first)

对应的结果是：

接下来，取first里面的第二个元素，然后通过‘（’ ，进行切割，得到一个新列表，新列表的第一个元素就是所需字符。

second = first[1].split('(')[0]
print(second)

对应的结果为：

3.模糊匹配

可能出现相关数据与需求并非一对一的情形，可以考虑退求其次，使用模糊匹配来进行提取。

import pandas as pd
df = pd.DataFrame({'名称':['xx-举例如何1号基金','随意取名2号基金','举例随心1号基金','xx-随意命名1号基金']})

如上，需要筛选出名称里面含有‘举例’二字的基金。使用正则和分割均难以实现。因此考虑使用是否包含的思路（如果是单一字符串循环，则使用‘in’来判断）：

new_df = df.loc[df['名称'].str.contains('举例')]

对应的结果：

还是上述的例子，如果需要匹配的字段为‘随心1号’，前文的办法就行不通了。这个情况下可以使用fuzz来匹配。

from fuzzywuzzy import fuzz
print(fuzz.ratio('举例随心1号基金','随心1号'))

fuzz.ratio输出两个字符串的相似度（按字符串顺序），上述代码对应结果为67，即'举例随心1号基金'和'随心1号'有67%的相似度。依照此方法，可以计算df['名称']的数据与‘随心1号’的相似度，取出满足相似度（大于50%）的数据：

for name in df['名称']:
    rate = fuzz.ratio(name,'随心1号')
    if rate>=50:
        print('匹配字段为：{}，相似度为{}，符合条件！'.format(name,rate))
    else:
        print('匹配字段为：{}，相似度为{}，不符合条件！'.format(name,rate))

对应的结果为：