如何为 Pandas RE .str.extract() 使用 RE OR Operand

Posted 2023-03-12

【中文标题】如何为 Pandas RE .str.extract() 使用 RE OR Operand

【英文标题】：How to use RE OR Operand for Pandas RE .str.extract()

【发布时间】：2018-08-21 14:15:50

【问题描述】：

我是新手，我确信这在我的代码中很愚蠢。在我的辩护中，我尝试在询问和搜索之前重新阅读 Python RE 文档 here，但到目前为止没有看到重复的问题（这让我感到惊讶。）

在 DataFrame 之外，我在这里有我正在工作的示例：

x = 'my best friend's birthday is 24 Jan 2001.'
print(re.findall('\d1,2\s(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)[a-z]*\s\d2,4', x))
<Anaconda console returns:> 24 Jan 2001

但在我的 Dataframe (df1) 中，我有以下内容：

index     text
0         My birthday is 2/21/19
1         Your birthday is 4/1/20
2         my best friend's birthday is 24 Jan 2001.   

当我运行以下代码时：

df1['dates'] = df1['text'].str.extract('.*?(\d+[/-]\d+[/-]?\d*).*?|\d1,2\s(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)[a-z]*\s\d+')
print('df1['dates'])

我得到以下结果：

     dates
0    2/21/19
1    4/1/20
2    NaN

我尝试过使用括号，重新阅读文档以及其他一些导致无穷无尽的错误的调整。我确定这是一个明显的错误，但我没有看到。有人可以帮忙吗？谢谢。

【参考方案1】：

在 pandas 中使用 .extract() 时必须有一个捕获组。您在 OR 之前的捕获组 | 正在查找带有斜杠的日期。但是在 OR 之后，你只有一个非捕获组。

这里我在整个搜索模式周围放置了一个捕获，并且OR的每一边也有一个非捕获组。

import pandas as pd

df = pd.DataFrame('text': ['My birthday is 2/21/19', 
    'Your birthday is 4/1/20', 
    'my best friend\'s birthday is 24 Jan 2001.'])

df.text.str.extract(
    r'((:?\d+[/-]\d+[/-]?\d*)|' + 
    r'(:?\d1,2\s(:?Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)[a-z]*\s\d+))', 
    expand=False)[0]

# returns:
0        2/21/19
1         4/1/20
2    24 Jan 2001

【讨论】：

James，我在摘录的第一个 re 语句中为您的代码添加了一个右括号，以使其按预期工作。您的回答对我帮助很大，谢谢：r'((:?(\d+[/-]\d+[/-]?\d*))|' +