polarsでstrのcapture groupを参照しつつreplaceする
polarsのstr.replace
polarsにはstringのカラムに対してreplaceをするための仕組みが備わっている。
df = pl.DataFrame({"id": [1, 2], "text": ["123abc", "abc456"]})
df.with_columns(
pl.col("text").str.replace(r"abc\b", "ABC")
)
...
shape: (2, 2)
┌─────┬────────┐
│ id ┆ text │
│ --- ┆ --- │
│ i64 ┆ str │
╞═════╪════════╡
│ 1 ┆ 123ABC │
│ 2 ┆ abc456 │
└─────┴────────┘
pythonなどいろんな言語でよくやるstringの部分をマッチさせて、その部分を対象の文字列に置き換えたりする処理。
polarsではexpr.strに定義されていて、Exprとして引き回せる。
内部ではrustのregex crateに依存しているので、そのcrateの仕組みが使える。
regexでcapture groupを使ってreplaceする
regexを使ったreplace処理でよくあるのはcapture groupを利用したreplace。
例えばrustとpythonで書くと以下の様。
use regex::Regex;
fn main() {
// numbered capture group
let re = Regex::new(r"^.* (\d*)$").unwrap();
let number = re.replace("Hello 123", "$1");
println!("{}", number); // => 123
// named capture group
let named_re = Regex::new(r"^(?P<name>.*) (?P<number>\d*)$").unwrap();
let named_number = named_re.replace("Hello 123", "name=$name number=$number");
println!("{}", named_number); // => name=Hello number=123
}
import re
a = "Hello 123"
# numbered capture
number = re.sub(r"^.* (\d*)$", "\g<1>", a)
print(number) # 123
# named capture
named_number = re.sub(r"^(?P<name>.*) (?P<number>\d*)$", "name=\g<name> number=\g<number>", a)
print(named_number) # name=Hello number=123
上の様に()で囲んだcapture groupに対して、それを置換文字列内で参照できる。
また$1の様に数字だけでなく前もってgroupに名前をつけて置けば$nameの様に名前での参照も可能になる。
当然polarsを使っているときもstringの列に対して上記の様なことをやりたくなる。
polarsでcapture group replace
polarsは前述の通り中身はrustのregex crateなのでrustの書き方と同じ様に書けば普通に動く。
以下はpythonのpolars。
import polars as pl
df = pl.DataFrame(
{
"a": ["1 one 2", "2 two 3", "3 three 4"],
}
)
print(df)
numbered_col = pl.col("a").str.replace(r"(\d) .* (\d)", "head=$1 tail=$2")
named_col = pl.col("a").str.replace(r"(?P<first>\d) .* (?P<second>\d)", "head=$first tail=$second")
# どちらも同じ出力
print(df.select(numbered_col))
print(df.select(named_col))
shape: (3, 1)
┌───────────────┐
│ a │
│ --- │
│ str │
╞═══════════════╡
│ head=1 tail=2 │
│ head=2 tail=3 │
│ head=3 tail=4 │
└───────────────┘
