基于大多数正则表达式匹配的 Python CSV 正则表达式所有列和输出列列表索引号

Question

嘿，我真的被困住了，我真的希望有人可以帮助我。我正在尝试读取 CSV 文件的前 5000 行，通过制表符分隔符拆分行，然后针对每一列和每一行搜索正则表达式模式，并输出具有最多正则表达式匹配/出现的列索引号。我将提供一个示例来帮助更好地解释我的意思。

test.csv

john smith  1132 Anywhere Lane Hoboken NJ   10.0.0.1     07030  Jan 4
erica meyers    1234 Smith Lane Hoboken NJ  127.0.0.1    07030  March 2
erica meyers    1234 Smith Lane Hoboken NJ  192.168.1.1  07030  april 5

这是我目前所在的位置（读取 csv，按制表符分隔成列，打印前 100 行）：

import csv
import re
        
Num = 5000
        
with open('test.csv', newline='', encoding="cp437", errors='ignore') as csvfile:
    reader = csv.reader(csvfile, delimiter='\t')
    for i in range(Num):
        lines = next(reader)

当前输出的前几行：

['john smith', '1132 Anywhere Lane Hoboken NJ', '10.0.0.1', ' 07030', 'Jan 4']
['john smith', '1234 Smith Lane Hoboken NJ', '127.0.0.1', ' 07030', 'March 2']
['smith john', '1234 Smith Lane Hoboken NJ', '192.168.1.1', ' 07030', 'april 5']

这是我卡住的地方......

我想针对每一行的所有列搜索正则表达式\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}，并输出与正则表达式匹配最多的列索引号。

对于此示例，\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3} 将匹配

10.0.0.1
127.0.0.1
192.168.1.1

所以我想要的输出是：

2

Answer 1

你可以用这样的熊猫来做到这一点

df=pd.read_csv(path, nrows=5000, sep="\t")

编写一个函数来检查正则表达式是否匹配。

def check_regex_matches(x):
    
    return bool(re.match(regex, x))

然后就可以使用了

list_of_bools_where_regex_matches = df["some_col"].apply(lambda
 x:check_regex_match(x))

df["some_col"][list_of_bools_where_regex_matches].index 

注意： 请检查您是否需要 re.match 或 re.search https://stackoverflow.com/a/12595082/4213362