在polars中解析带有数字和国际单位制前缀的字符串

Question

假设我有一个这样的数据表：

>>> import polars
>>> df = polars.DataFrame(dict(j=['1.2', '1.2k', '1.2M', '-1.2B']))
>>> df
shape: (4, 1)
┌───────┐
│ j     │
│ ---   │
│ str   │
╞═══════╡
│ 1.2   │
│ 1.2k  │
│ 1.2M  │
│ -1.2B │
└───────┘

我该如何处理上面的数据，以得到：

>>> df = polars.DataFrame(dict(j=[1.2, 1_200, 1_200_000, -1_200_000_000]))
>>> df
shape: (4, 1)
┌───────────┐
│ j         │
│ ---       │
│ f64       │
╞═══════════╡
│ 1.2       │
│ 1200.0    │
│ 1.2e6     │
│ -1.2000e9 │
└───────────┘
>>>

Answer 1

另一种和@RomanPekar提到的解决方案类似的方法是，直接用相应的国际单位制（SI）倍数来替换k、M和B。

df.with_columns(
    pl.col('j').str.strip_chars('kMB').cast(pl.Float32) *
    (
        pl.col('j')
        .str.extract(r'(k|M|B)')
        .replace({"k": 1e3, "M": 1e6, "B": 1e9}, default=1.0, return_dtype=pl.Float32)
    )
)

Answer 2

你可以使用 str.extract() 和 str.strip_chars() 来分割字符串的不同部分，然后通过 Expr.replace() 加上 Expr.pow() 来获取结果的数字。

df.with_columns(
    pl.col('j').str.strip_chars('KMB').cast(pl.Float32) *
    pl.lit(10).pow(
        pl.col('j').str.extract(r'(K|M|B)').replace(['K','M','B'],[3,6,9]).fill_null(0)
    )
)

┌─────────────┐
│ j           │
│ ---         │
│ f64         │
╞═════════════╡
│ 1.2         │
│ 1200.000048 │
│ 1.2000e6    │
│ -1.2000e9   │
└─────────────┘