尝试在 Python / pandas 中使用正则表达式获取子字符串

Posted 2023-03-12

【中文标题】尝试在 Python / pandas 中使用正则表达式获取子字符串

【英文标题】：Trying to get a substring using regex in Python / pandas

【发布时间】：2019-07-06 03:08:18

【问题描述】：

我知道这可能看起来很愚蠢，但我一直在到处寻找并尝试使用正则表达式并徒劳无功。我的脚本永远不会适用于我在数据集上拥有的所有类型的字符串。

我的这一列包含看起来像（三种情况）的原始数据：

20181223-FB-BOOST-AAAA-CC Auchy-Les-Mines - Père Noel
20161224-FB-BOOST-SSSS-CC LeMarine - XXX XXX
20161223-FB-BOOST-XXXX-CC Bonjour le monde - Blah blah

所以我想要做的是在 CC 之后和“-”之前获取中间的字符串。我写了一个脚本，它确实适用于第二种情况，但不适用于其他两种情况：

1st case: Auchy-Les-Mines
2nd case: LeMarine
3rd case: Bonjour le monde

这是我使用但不适用于所有情况的正则表达式：regex = r"\s\b.*-."

提前致谢！

【问题讨论】：

str.extract(r'-CC\s*(.*?)\s+-')?见regex101.com/r/2LagAy/1

@WiktorStribiżew 您不需要在开头输入空格，该正则表达式的更好方法是“-CC.*?\s-”

@PabloAlvarez 请参阅my answer，我在这里解释了它的原因

如果您的数据具有这种结构，您可以使用拆分方法并选择第二个索引。

【参考方案1】：

你我的用处

df['Col'].str.extract(r'-CC\s+(.*?)\s+-')

见the regex demo。

模式详情

-CC - 文字子串 \s+ - 1+ 个空格 (.*?) - 第 1 组（此值将由 .str.extract 返回）：除换行符之外的任何 0+ 个字符，尽可能少 \s+ - 1+ 个空格（+ 在这里很重要） - - 一个连字符

(.*?) 两端都有 \s+ 模式这一事实将确保无论有多少空格，结果都已从空格中删除。

【讨论】：

完美运行！非常感谢，特别感谢您解释模式细节！你刚刚拯救了我的一天！谢谢:)！

已经完成 :) ！不然又出问题了哈哈！我有一些看起来像这样的行：20180223-FB-BOOST-XXX-CC Vitrolles - 110 - St Valentin 我只想检索“Vitrolles”我得到这个输出而不是使用你建议的正则表达式：Vitrolles - 110 所以我修复了它使用以下正则表达式： (r'-CC\s+(.*?)\s+-[^1-9]') （显然，它没有变成绿色，因为他们说我需要更多的声誉才能投票： ( )

@helloworld 查看最新更新，不需要[^1-9]。请考虑单击左侧的灰色刻度线以接受解决方案。不要关注左边的1，不代表采纳答案。

同样的问题！它重新分配了数字，这不是预期的结果！ [^1-9] 仍然可以胜任！ Wdu 认为？

@helloworld 好的，这已经是只有你知道如何执行的微调了。所以，- 后面应该没有数字吧？因此，r'-CC\s+(.*?)\s+-' 似乎已经完成了您需要的操作，但您也可以使用 r'-CC\s+(.*?)\s+-(?!\s*\d)' 来避免匹配后跟 0+ 个空格和一个数字的 -。

【参考方案2】：

你可以很简单地做到这一点：

result = df.raw_data.str.extract(r'-CC (.*) -')