python中拉丁字符的特殊文本
我有以下熊猫数据框：
the_df = pd.DataFrame({'id':[1,2],'name':['Joe','']})
the_df
id name
0 1 Joe
1 2
如您所见，我们可以将第二个名字读为“Sarah”，但它是用特殊字符编写的。
我想创建一个新列，将这些字符转换为拉丁字符。我试过这种方法：
the_df['latin_name'] = the_df['name'].str.extract(r'(^[a-zA-Zs]*)')
the_df
id name latin_name
0 1 Joe Joe
1 2
但它不识别字母。请，对此的任何帮助将不胜感激。
回答
尝试 .str.normalize
the_df['name'].str.normalize('NFKC').str.extract(r'(^[a-zA-Zs]*)')
输出：
0
0 Joe
1 Sarah
- 打败我。我假设 [这是在幕后使用的](https://docs.python.org/3/library/unicodedata.html#unicodedata.normalize)，但它是`.str 的一部分很方便` 特殊方法
- @juanpa.arrivillaga 是的，大约三周前我刚刚对此进行了一些研究，这让我记忆犹新。