Adakah terdapat cara untuk mengekstrak corak regex dengan memaut dalam bingkai data dalam Pandas?

Question

Saya cuba mengekstrak corak regex daripada pautan dalam jadual Pandas yang dijana.

Kod untuk menjana bingkai data Pandas adalah seperti berikut:

import panda sebagai pd
import semula

url = 'https://www.espncricinfo.com/records/year/team-match-results/2005-2005/twenty20-internationals-3'
base_url = 'https://www.espncricinfo.com'

table = pd.read_html(url, extract_links = "body")[0]
table = table.apply(lambda col: [link[0] if link[1] is None else f'{base_url}{link[1]}' for link in col])
jadual</pra>
<p>Saya mahu mengeluarkan ID padanan daripada pautan dalam jadual. Untuk setiap permainan, ID permainan ialah set nombor berturut-turut mengikut corak "t20i-" dan berakhir sebelum garis miring. Sebagai contoh:
Untuk perlawanan ini, ID perlawanan ialah 211048. Berikut ialah kod untuk satu permainan: </p>
<pre class="brush:php;toolbar:false;">scorecard_url = 'https://www.espncricinfo.com/series/australia-tour-of-new-zealand-2004-05-61407/new- zealand-vs-australia-sahaja-t20i-211048/kad-skor penuh'
match_id = re.findall('t20i-(d*)/', scorecard_url)
match_id[0]

Saya mahu beroperasi pada keseluruhan jadual dengan menggunakan id padanan lajur terbitan. Lajur ini menggunakan lajur Kad Skor. Walau bagaimanapun, saya tidak dapat mencapai ini.

Saya pada mulanya mencuba arahan mudah ini:

table['match_id']= re.findall('t20i-(d*)/', table['Scorecard'])
jadual
Saya mendapat ralat 'TypeError: rentetan jangkaan atau objek seperti bait', yang membuatkan saya berfikir bahawa pautan itu tidak disimpan sebagai rentetan dan mungkin menyebabkan masalah. 
Kemudian saya mencuba: 
table['match_id']= re.findall('t20i-(d*)/', str(table['Scorecard']))
jadual
Ini memberi saya ralat 'ValueError: Length of values ​​​​(0) not match length of index (3)', saya tidak pasti apa puncanya. 
Saya juga cuba menggunakan fungsi lambda, tetapi tidak berjaya. Jika kaedah ini berkesan, saya tidak keberatan menggunakannya. 

Answer 1

Anda dekat. Ini akan menambah lajur baharu dengan ID padanan.

import pandas as pd
import re

url = 'https://www.espncricinfo.com/records/year/team-match-results/2005-2005/twenty20-internationals-3'
base_url = 'https://www.espncricinfo.com'

def match(row):
    match_id = re.findall('t20i-(\d*)/', row[1])
    return match_id[0]
    
table = pd.read_html(url, extract_links = "body")[0]
table['match'] = table['Scorecard'].apply(match)
print(table)

Keluaran:

Team 1  ...   match
0   (新西兰, None)  ...  211048
1       (英格兰, None)  ...  211028
2  (南非, None)  ...  222678

[3 行 x 8 列]