Pandas 提取以 [\s\d_/] 开头并以 [\s\d_/] 结尾的信息

Posted 2023-02-23

【中文标题】Pandas 提取以 [\\s\\d_/] 开头并以 [\\s\\d_/] 结尾的信息

【英文标题】：Pandas extract information which starts with [\s\d_/] and ends in [\s\d_/]Pandas 提取以 [\s\d_/] 开头并以 [\s\d_/] 结尾的信息

【发布时间】：2021-08-11 00:00:31

【问题描述】：

我正在尝试从路径中提取一组关键字，例如 ['lemon'、'apple'、'coconut'] 等 "\var\prj\lemon_123\xyz", "\var\prj\123_apple\coconut", "\var\prj\柠檬水\椰子", "\var\prj\苹果\柠檬"

预期的输出有点复杂：

Paths	MatchedKeywords
"/var/prj/lemon_123/xyz"	lemon
"/var/prj/123_apple/coconut"	apple, coconut
"/var/prj/lemonade/coconutapple"
"/var/prj/apple/lemon"	apple, lemon

请记住， 第三行没有以 /、\s、\d 或 _ 开头的确切单词 这就是为什么没有匹配。 正则表达式有点像这样：\s\d_/[\s\d_/]。 我尝试使用：

df['Paths'].str.findall(r'[^\s\d_/]lemon|apple|coconut[\s\d_/$]', flags=re.IGNORECASE)

但它仍然在第三行显示“柠檬”和“椰子”。

提前谢谢你。

【问题讨论】：

尝试匹配单词边界 (\b)

【参考方案1】：

你可以使用

df['Paths'].str.findall(r'(?<![^\W_])(?:lemon|apple|coconut)(?![^\W_])').str.join(", ")
df['Paths'].str.findall(r'(?<![^\W\d_])(?:lemon|apple|coconut)(?![^\W\d_])').str.join(", ")

查看regex demo（和regex demo #2），正则表达式匹配

(?<![^\W_]) - 前面没有紧跟非单词字符和下划线的字符的位置（它是左侧单词边界，其中减去了 _） (?:lemon|apple|coconut) - 匹配组内任何单词的非捕获组 (?![^\W_]) - 不紧跟非单词字符和下划线以外的字符的位置（它是右侧单词边界，其中减去了 _）。

如果您使用(?<![^\W\d_]) 和(?![^\W\d_])，您的单词边界将是字母 边界，即它将是\b，其中减去了数字和下划线。 查看 Python 演示：

import pandas as pd
df = pd.DataFrame("Paths":["/var/prj/lemon_123/xyz", "/var/prj/123_apple/coconut", "/var/prj/lemonade/coconutapple", "/var/prj/apple/lemon"])
df['Paths'].str.findall(r'(?<![^\W_])(?:lemon|apple|coconut)(?![^\W_])').str.join(", ")
#  0             lemon
#  1    apple, coconut
#  2                  
#  3      apple, lemon
#  Name: Paths, dtype: object

【讨论】：

您好，非常感谢您的回答。这现在可以正常工作。但是现在我已经尝试了 1000 个不同的关键字，例如苹果、椰子、柠檬……等等。所以如果我在其中放入 1000 个关键字 findall()。即使其中一些匹配，它也会在输出中显示“NaN”。我怎样才能在里面放 1000 个不同的关键字？

@NayanDesale 使用来自this answer 的解决方案。如果您在实施它时需要帮助，请告诉我。

非常感谢维克托。这真的很有帮助！

【参考方案2】：

您的正则表达式与您要匹配的内容不正确，使用 https://regexper.com/ 等可视化工具很容易看到这一点（无从属关系；只是抓取了 Google 的最高搜索结果）。

你有：[^\s\d_/]lemon|apple|coconut[\s\d_/$]

但可能想要类似：[\s\d_/](lemon|apple|coconut)[\s\d_/]

【讨论】：

现在只匹配（查找）第一个关键字。从第二行开始，它只匹配 'coconut' 而不是 'apple'。谢谢。

你有倒过来的吗？我分享的正则表达式应该找到apple，但不是coconut，因为椰子不以[\s\d_/]结尾。

是的，你是对的。它正在寻找苹果而不是椰子。我很抱歉我的错误评论。但是我们怎样才能得到它们呢？并使用特定的正则表达式？