正则表达式向量

Question

我正在尝试使用 python (pandas) 和正则表达式加载文件。我找到了解决我的问题的解决方法，但我仍然想找到一个单一的解决方案，它可能对未来有用。文件格式如下：

1   (a b   c)  (a  b c)   (a b c)
2 (a b c) (a b c)    (a b c)
3       a b   c  a  b c   a b c

请注意，有些是空格，有些是制表符，制表符和/或空格的数量不是恒定的。预期的结果是以下数据帧：

    0   1   2   3   4   5   6   7   8   9
0   1   a   b   c   a   b   c   a   b   c
1   2   a   b   c   a   b   c   a   b   c
2   3   a   b   c   a   b   c   a   b   c

我的最佳结果是使用以下方法获得的：

pd.read_csv('filepath', delimiter='\)*\s+\(*', engine='python', header = None)

这给出了：

    0   1   2   3   4   5   6   7   8   9
0   1   a   b   c   a   b   c   a   b   c)
1   2   a   b   c   a   b   c   a   b   c)
2   3   a   b   c   a   b   c   a   b   c

然后我通过额外的处理摆脱了“）”。我仍然不明白为什么 \s+ 足以删除标签，即 \t （如果有人也可以回答这个问题，那绝对是一个奖励）。

我尝试了不同的方法，但找不到一个可以完成这项工作的正则表达式。我的一些尝试：

\)*\s*\(*
(\)*\s+\(*)|(\))
(\)*\s+\(*)|(\)\n)

有些人很清楚为什么它们不起作用，但我希望最后一个是正确的解决方案。另一种想法是使用\)*\s*\(*，但强制至少一个字符出现在正则表达式中，但我没有找到是否可能。

知道什么是更好的正则表达式吗？

附：如果我逐行读取文件并将 re.split 与正则表达式一起使用，则拆分看起来会有所不同，但我更喜欢使用 pandas。

Answer 1

>>> pd.DataFrame([re.sub(r'[\(\)]', '', line).split()
                      for line in open('data.txt').readlines()])

   0  1  2  3  4  5  6  7  8  9
0  1  a  b  c  a  b  c  a  b  c
1  2  a  b  c  a  b  c  a  b  c
2  3  a  b  c  a  b  c  a  b  c

Answer 2

您可以使用'\s*\(|\)\s*\(|\)|\s+' 作为分隔符。

• \s*\( 将匹配前面有零或任意数量的空白字符的左括号
• \)\s*\( 将匹配右括号后跟零或任意数量的空白字符后跟右括号
• \) 将匹配右括号
• \s+ 将匹配一个或多个空格字符

确保将引擎作为python 传递以避免警告使用regex 作为分隔符，最后你会得到一个NaN 列，你可以直接删除：

import pandas as pd
from io import StringIO


csv_data = '''1   (a b   c)  (a  b c)   (a b c)
2 (a b c) (a b c)    (a b c)
3       a b   c  a  b c   a b c'''

df = pd.read_csv(StringIO(csv_data),
                delimiter='\s*\(|\)\s*\(|\)|\s+', 
                engine='python', 
                header=None).dropna(axis=1)

输出：

   0  1  2  3  4  5  6  7  8  9
0  1  a  b  c  a  b  c  a  b  c
1  2  a  b  c  a  b  c  a  b  c
2  3  a  b  c  a  b  c  a  b  c