熊猫正则表达式提取物为 re.search 提供不同的输出？

Posted 2023-03-12

【中文标题】熊猫正则表达式提取物为 re.search 提供不同的输出？

【英文标题】：Pandas Regex extract giving different output to re.search?

【发布时间】：2020-08-09 06:59:17

【问题描述】：

所以，我正在尝试使用正则表达式从我的 pandas 数据框的一列中提取权重值...由于某种原因，它的提取不正确。

all_data["name"].iloc[0] = "220 grams" # this is purely to show my issue

pattern  = "[0-9]+ ?(gram|mg|Gram|GRAM)"

gram_values = all_data["name"].str.contains(pattern)

re.search(pattern, all_data["name"].iloc[0])

输出是

<re.Match object; span=(0, 8), match='220 gram'>

正如预测的那样，它正在出口 220 克。万岁。

现在，如果我使用 pandas.str.extract 方法...

all_data["name"].str.extract(pattern)

那么输出就是

相同的正则表达式模式，两个不同的输出。那么我到底在做什么错呢？正则表达式字符串如何提取不同的值？

【参考方案1】：

Pandas Series.str.extract() 行为在文档中进行了解释，它仅返回 capturing group 内容。

pat : string 带有捕获组的正则表达式模式

您的正则表达式包含单个捕获组 (gram|mg|Gram|GRAM)，因此返回其内容。

要使正则表达式在 Pandas str.extract 中工作，用一个捕获组包装它，并让另一个 group non-capturing：

r"([0-9]+ ?(?:gram|mg|Gram|GRAM))"
# |        |non-capturing group||
# |_______ capturing group______|