基于正则表达式提取单词答案

【问题标题】：Extract words based on regex基于正则表达式提取单词
【发布时间】：2021-12-24 06:47:15
【问题描述】：

我正在尝试提取单词 SUITE、suite、ste、Ste 之后出现的任何内容。或熊猫数据框列中的字符#。示例如下

4230 Harding Pike Ste 435
4230 Harding Pike Suite 435
4230 Harding Pike SUITE A
4230 Harding Pike Ste. 101
4230 Harding Pike SUITE B-200
4230 Harding Pike #900
4230 Harding Pike STE 503
4230 Harding Pike SUITE 300
4230 Harding Pike Ste 700
4230 Harding Pike SUITE #2

结果：

SuiteNos

435
435  
A
101
B-200
900
503
300
700
2

我尝试了以下正则表达式，但它没有按预期工作 -

 df_merged['address'].str.extract(r'\**\**suite.*\**\**')
 df_merged['address'] = re.findall('@([suite]+)', df_merged['address'])

【问题讨论】：

标签： python regex pandas

【解决方案1】：

使用不区分大小写的匹配，您可以使用带有交替的捕获组：

(?i)(?:#|Suite|ste\.?)\s*([^\s#].*)

模式匹配：

(?:非捕获组
- Suite 字面匹配
- |或者
- ste\.? 将 ste 与可选的点匹配
- |或者
- # 字面匹配
)关闭非捕获组
\s* 匹配可选的空白字符
([^\s#].*) 捕获组 1，从匹配不带 # 的非空白字符和该行的其余部分开始

Regex demo

import pandas as pd

strings = [
    "4230 Harding Pike Ste 435",
    "4230 Harding Pike Suite 435",
    "4230 Harding Pike SUITE A",
    "4230 Harding Pike Ste. 101",
    "4230 Harding Pike SUITE B-200",
    "4230 Harding Pike #900",
    "4230 Harding Pike STE 503",
    "4230 Harding Pike SUITE 300",
    "4230 Harding Pike Ste 700",
    "4230 Harding Pike SUITE #2"
]

pattern = r"(?i)(?:#|Suite|ste\.?)\s*([^\s#].*)"
df_merged = pd.DataFrame(strings, columns = ['address'])
df_merged['SuiteNos'] = df_merged['address'].str.extract(pattern)

print(df_merged["SuiteNos"])

输出

【讨论】：

例子表明#后面只能跟数字。如果是这样，您将需要一个小模块。顺便说一句，这是第 100 万个仅通过示例陈述问题而产生歧义的示例。

【解决方案2】：

使用您显示的示例，请尝试以下正则表达式。

(?:(?:[Ss](?:[uU][iI])?[tT][eE]\.?\s+)#?|#)(\S+)

在 Pandas 中运行以下代码：

df['value'].str.extract(r'(?:(?:[Ss](?:[uU][iI])?[tT][eE]\.?\s+)#?|#)(\S+)')

以上代码在 Pandas 中的输出以及 OP 提供的示例如下：

0      435
1      435
2        A
3      101
4    B-200
5      NaN
6      503
7      300
8      700
9        2
Name: value, dtype: object

Online demo for above regex

说明：为上述添加详细说明。

(?:                   ##Starting a non-capturing group here.
  (?:                 ##Starting another non-capturing group here.
     [Ss]             ##Matching small OR capital S here.
     (?:[uU][iI])?    ##In a non-capturing group matching u/U i/I and keep this optional.
     [tT][eE]\.?\s+   ##Matching t or T followed by e or E here followed by optional dot and 1 or more spaces here.
  )                   ##Closing 2nd non-capturing group here.
  #?|#                ##Matching # keeping it optional OR matching it no optional.
)                     ##Closing 1st non-capturing group here.
(\S+)                 ##Creating 1st capturing group which contains all non-spaces in it.

感谢@The Fourth Bird 帮助进行调整，使仅 1 个捕获组捕获所有匹配的东西。

【讨论】：