Python Pandas Regex:在列中搜索带有通配符的字符串并返回匹配项[重复]
Posted
技术标签:
【中文标题】Python Pandas Regex:在列中搜索带有通配符的字符串并返回匹配项[重复]【英文标题】:Python Pandas Regex: Search for strings with a wildcard in a column and return matches [duplicate] 【发布时间】:2019-09-04 12:01:18 【问题描述】:我在可能包含键的列中有一个搜索列表:'keyword1*keyword2'
尝试在单独的数据框列中查找匹配项。如何包含正则表达式通配符类型'keyword1.*keyword2'
#using str.extract, extractall or findall?
使用.str.extract
可以很好地匹配精确的子字符串,但我还需要它来匹配关键字之间带有通配符的子字符串。
# dataframe column or series list as keys to search for:
dfKeys = pd.DataFrame()
dfKeys['SearchFor'] = ['this', 'Something', 'Second', 'Keyword1.*Keyword2', 'Stuff', 'One' ]
# col_next_to_SearchFor_col
dfKeys['AdjacentCol'] = ['this other string', 'SomeString Else', 'Second String Player', 'Keyword1 Keyword2', 'More String Stuff', 'One More String Example' ]
# dataframe column to search in:
df1['Description'] = ['Something Here','Second Item 7', 'Something There', 'strng KEYWORD1 moreJARGON 06/0 010 KEYWORD2 andMORE b4END', 'Second Item 7', 'Even More Stuff']]
# I've tried:
df1['Matched'] = df1['Description'].str.extract('(%s)' % '|'.join(key['searchFor']), flags=re.IGNORECASE, expand=False)
我还尝试用“extractall”和“findall”替换上面代码中的“extract”,但它仍然没有给我所需的结果。
我希望 'Keyword1*Keyword2'
匹配 "strng KEYWORD1 moreJARGON 06/0 010 KEYWORD2 andMORE b4END"
更新:'.*' 有效!
我还尝试从“SearchFor”列中匹配键旁边的单元格中添加值,即dfKeys['AdjacentCol']
。
我试过了:
df1['From_AdjacentCol'] = df1['Description'].str.extract('(%s)' % '|'.join(key['searchFor']), flags=re.IGNORECASE, expand=False).map(dfKeys.set_index('SearchFor')['AdjacentCol'].to_dict()).fillna('')
适用于除带有通配符的键之外的所有内容。
# expected:
Description Matched From_AdjacentCol
0 'Something Here' 'Something' 'this other string'
1 'Second Item 7' 'Second' 'Second String Player'
2 'Something There' 'Something' 'this other string'
3 'strng KEYWORD1 moreJARGON 06/0 010 KEYWORD2...' 'Keyword1*Keyword2' 'Keyword1 Keyword2'
4 'Second Item 7' 'Second' 'Second String Player'
5 'Even More Stuff' 'Stuff' 'More String Stuff'
对此的任何帮助都非常感谢。谢谢!
【问题讨论】:
@Wiktor Stribiżew 我没有遇到过一些类似的问题,但没有一个能解决我遇到的通配符问题。 您正在使用不使用通配符的.str.extract
,它使用正则表达式。匹配两个字符串之间的任何字符是一个过于频繁的正则表达式问题,因此是重复的原因。
【参考方案1】:
解决方案
您已接近解决方案,只需将*
更改为.*
。阅读docs:
。 (点。)在默认模式下,这匹配除换行符以外的任何字符。如果指定了 DOTALL 标志,则匹配任何 包括换行符的字符。
* 使生成的 RE 匹配前一个 RE 的 0 个或多个重复,尽可能多的重复。 ab* 将匹配“a”, ‘ab’ 或 ‘a’ 后跟任意数量的 ‘b’。
在正则表达式中,星号 *
本身没有任何意义。它与 Unix/Windows 文件系统中通常的 glob 运算符 *
具有不同的含义。
星号是一个量词(即gready量词),它必须与某种模式相关联(这里.
匹配任何字符)来表示什么。
MCVE
重塑你的 MCVE:
import re
import pandas as pd
keys = ['this', 'Something', 'Second', 'Keyword1.*Keyword2', 'Stuff', 'One' ]
df1 = pd.DataFrame()
df1['Description'] = ['Something Here','Second Item 7', 'Something There',
'strng KEYWORD1 moreJARGON 06/0 010 KEYWORD2 andMORE b4END',
'Second Item 7', 'Even More Stuff']
regstr = '(%s)' % '|'.join(keys)
df1['Matched'] = df1['Description'].str.extract(regstr, flags=re.IGNORECASE, expand=False)
正则表达式现在是:
(this|Something|Second|Keyword1.*Keyword2|Stuff|One)
并匹配缺失的大小写:
Description Matched
0 Something Here Something
1 Second Item 7 Second
2 Something There Something
3 strng KEYWORD1 moreJARGON 06/0 010 KEYWORD2 an... KEYWORD1 moreJARGON 06/0 010 KEYWORD2
4 Second Item 7 Second
5 Even More Stuff Stuff
【讨论】:
谢谢!就是这样。有没有机会知道为什么df1['col_Next_toMatched'] = df1['Description'].str.extract(regstr, flags=re.IGNORECASE, expand=False).map(dfKeys.set_index('keys')['col_Next_toKeys'].to_dict()).fillna('')
可以用于除通配符键之外的所有内容?
@lodestar08 您能否更新您的帖子以显示dfKeys
是什么?
我已经更新了帖子 - 但不确定是否更清楚以上是关于Python Pandas Regex:在列中搜索带有通配符的字符串并返回匹配项[重复]的主要内容,如果未能解决你的问题,请参考以下文章