Pythonで文字列内のアルファベットと数字を分離してデータフレームに変換する方法

pandasのSeriesオブジェクトに含まれる文字列から、アルファベット部分と数字部分をそれぞれ分離し、それらをデータフレームとして格納する方法を解説します。

目標となる出力

たとえば、以下のようなSeriesがあるとします。この中の各要素を、アルファベット部分と数字部分に分けてデータフレーム化するのが目的です。

series is:
0    abx123
1    bcd25
2    cxy30
dtype: object

Dataframe is:
     0    1
0  abx  123
1  bcd   25
2  cxy   30

解決のアプローチ

この問題を解決するには、以下の手順に従います。

• まず、対象となるSeriesを定義します。

• 次に、str.extract()メソッドを使い、引数に正規表現パターンを指定してアルファベット部分と数字部分を抽出します。その結果をそのままデータフレームとして格納できます。

series.str.extract(r'(\w+[a-z])(\d+)')

この正規表現パターンの意味は以下の通りです。

• (\w+[a-z]): 単語構成文字の後に小文字のアルファベットが続く部分(つまり英字部分)を第1グループとして抽出します。

• (\d+): 1桁以上の連続した数字を第2グループとして抽出します。

実装例

実際のコードを見てみましょう。

import pandas as pd

series = pd.Series(['abx123', 'bcd25', 'cxy30'])
print("series is:\n", series)

df = series.str.extract(r'(\w+[a-z])(\d+)')
print("Dataframe is:\n", df)

実行結果

上記のコードを実行すると、以下のような出力が得られます。

series is:
0    abx123
1    bcd25
2    cxy30
dtype: object

Dataframe is:
     0    1
0  abx  123
1  bcd   25
2  cxy   30

このように、str.extract()メソッドと正規表現を組み合わせることで、文字列内のアルファベットと数字を簡単に分離し、新しいデータフレームとして取得できます。抽出された各グループは、自動的にデータフレームの別々の列に割り当てられるため、後続のデータ分析や加工にもそのまま活用できます。