在jupyter notebook 环境里 用正则提取一次年龄不要重复

在Jupyter Notebook环境中，你可以使用Python的`re`模块（正则表达式库）来进行字符串匹配并提取年龄。首先，你需要确保已经导入了`re`模块。以下是一个基本的例子，假设你有一列文本数据，包含类似“age: 25”的格式，并且每个实例之间没有明确的分隔符：

import re

# 假设你的数据在一个名为"data"的列表中，每一项是一个字符串
data = ["信息1: age: 30", "信息2: age: 28", "信息3: age: 25", "已知年龄"]

# 定义正则表达式模式，只提取"age: "后面的数字
pattern = r"age:\s*(\d+)"

ages = []  # 存储提取到的年龄
for line in data:
    match = re.search(pattern, line)  # 查找匹配项
    if match:  # 如果找到匹配
        age = int(match.group(1))  # 提取数字部分并转换为整数
        if age not in ages:  # 验证是否重复
            ages.append(age)

# 打印不重复的年龄
print("不重复的年龄:", ages)

相关问题

基于jupyter运用resquests库和正则表达式爬取网页信息

当然可以，以下是基于 Jupyter Notebook 运用 requests 库和正则表达式爬取网页信息的示例代码：

import requests
import re

# 发送 HTTP GET 请求
url = 'https://www.example.com'
response = requests.get(url)

# 获取网页内容
content = response.content.decode('utf-8')

# 使用正则表达式提取信息
pattern = re.compile('<title>(.*?)</title>')
title = re.findall(pattern, content)

# 输出结果
print(title)

以上代码可以实现以下功能：

1. 发送 HTTP GET 请求获取网页内容。
2. 使用 `decode('utf-8')` 将网页内容转换为 Unicode 编码。
3. 使用正则表达式从网页内容中提取信息。
4. 输出提取的信息。

需要注意的是，以上代码仅供参考，具体的爬虫实现需要根据目标网站的实际情况进行调整。另外，在爬取网页时需要遵守法律法规和网站规定，不得进行恶意爬取和侵犯他人隐私等行为。

csv文件中authorships.raw_author_name列中有多个author名，名之间用|隔开，jupyter notebook提取每行中每个author名并计算出现次数

在Jupyter Notebook中，你可以使用Pandas库来读取csv文件，并通过字符串操作来提取每个作者名。首先，我们需要加载CSV文件并查看数据结构。然后，我们将使用正则表达式（regex）分割`authorships.raw_author_name`列中的值，提取出每个作者名，并计算每个作者名出现的次数。

以下是步骤：

1. 导入所需库：

import pandas as pd
import re

2. 读取csv文件：

df = pd.read_csv("your_file.csv")  # 替换"your_file.csv"为你实际的文件路径

3. 定义函数来提取作者名：

def extract_authors(author_string):
    authors = re.split(r'\|', author_string)  # 使用正则表达式拆分由'|'分隔的作者名
    return [author.strip() for author in authors]  # 去除每个作者名两侧的空格

# 应用这个函数到每一行的authorship列
df['authors_list'] = df['authorships.raw_author_name'].apply(extract_authors)

4. 计算每个作者的出现次数：

author_counts = df['authors_list'].explode().value_counts()  # 使用explode展开嵌套列表，再计数

5. 结果展示：

print(author_counts)

这样，你就得到了每个作者名字及其在所有行中出现的次数。如果有特定的需求，比如只统计最常见的几个作者，可以进一步对结果进行排序：

top_authors = author_counts.head(10)  # 取出现次数最多的前10个作者
print(top_authors)

别忘了替换`"your_file.csv"`为你的实际文件路径。如果你有其他问题或需要帮助，请告诉我。