基于条件的正则表达式替换

Question

我目前正在尝试对熊猫数据框 df 进行简单的正则表达式替换，下面是我的正则表达式

df['data] = [re.sub(r'(\s?[a-zA-Z0-9]{5,10})+(;|:)+(\s?[a-zA-Z0-9]{5,10})','combo', str(x)) 

但是，我希望仅当某行包含“电子邮件”一词超过 2 次时才进行此替换。在 python 中是否有任何有效的方法来执行此操作。

Input:

Row 1 : testdata1:testdata1 testdata2:testdata2 
Row 2 : testdata1:testdata1 testdata2:testdata2 email
Row 3 : email testdata1:testdata1 email testdata2:testdata2 email

预期输出：

Row 1 : testdata1:testdata1 testdata2:testdata2 
Row 2 : testdata1:testdata1 testdata2:testdata2 email
Row 3 : email combo email combo email

Answer 1

首先，我认为您需要另一种正则表达式模式，例如

\b[a-zA-Z0-9]{5,10}\s?[;:]+\s?[a-zA-Z0-9]{5,10}\b

Pandas 代码如下所示

df.loc[df['data'].str.count("email") > 2, 'data'] = df['data'].str.replace(r'\b[a-zA-Z0-9]{5,10}\s?[;:]+\s?[a-zA-Z0-9]{5,10}\b','combo')

或者，仅将单词 email 视为一个完整单词：

df.loc[df['data'].str.count(r"\bemail\b") > 2, 'data'] = df['data'].str.replace(r'\b[a-zA-Z0-9]{5,10}\s?[;:]+\s?[a-zA-Z0-9]{5,10}\b','combo')

请参阅regex demo。详情：

• \b - 单词边界
• [a-zA-Z0-9]{5,10} - 五到十个字母数字字符
• \s? - 可选空格
• [;:]+ - 1+ 分号或冒号
• \s? - 可选空格
• [a-zA-Z0-9]{5,10}\b - 五到十个字母数字字符和一个单词边界。

使用df['data'].str.count(r"\bemail\b") > 2，会创建一个“掩码”，只有出现两次以上email 单词的行才会受到影响。

熊猫测试：

>>> df.loc[df['data'].str.count("email") > 2, 'data'] = df['data'].str.replace(r'\b[a-zA-Z0-9]{5,10}\s?[;:]+\s?[a-zA-Z0-9]{5,10}\b','combo')
>>> df
                                            data
0        testdata1:testdata1 testdata2:testdata2
1  testdata1:testdata1 testdata2:testdata2 email
2                  email combo email combo email