Python Pandas 中乱码的正则表达式替换

Question

我有一些字符串，其中一些是乱码，是数字和字母的混合体。乱码，我想删除，但那些有模式的，我想保留。

我提供一个示例用于说明目的。

strings = ["1Z83E0590391137855",
           "55t5555t5t5tttt5t5555tttttttgggggggggggggggsss",
           "1st", "2nd", "3rd", "4th", "5th"
          ]
import pandas as pd
df = pd.DataFrame(strings, columns=['strs'])
df

我想删除看起来像的字符串

1Z83E0590391137855
55t5555t5t5tttt5t5555tttttttgggggggsss

并保留如下所示的字符串

1st
2nd
3rd
4th
5th

鉴于我有限的正则表达式和 python 经验，我很难想出正确的公式。我已经尝试过，除了第一行之外，已经删除了所有内容：

df['strs'] = df['strs'].str.replace(r'(?=.*[a-z])(?=.*[\d])[a-z\d]+', '', regex=True)

Answer 1

我建议只匹配包含一定数量字符的字母和数字的字母数字字符串。

在下面的示例中，我将阈值设置为 18，即不匹配小于 18 个字符的字符串，因此将保留在列中。所有相等或更长的字符串都将被删除：

df['strs'] = df['strs'].str.replace(r'^(?=.{18})(?:[a-zA-Z]+\d|\d+[a-zA-Z])[a-zA-Z\d]*$', '', regex=True)

详情：

• ^ - 字符串开头
• (?=.{18}) - 字符串必须以 18 个字符开头，而不是换行符
• (?:[a-zA-Z]+\d|\d+[a-zA-Z]) - 一个或多个字母，然后是一个数字或一个或多个数字，然后是一个字母
• [a-zA-Z\d]* - 零个或多个字母数字字符
• $ - 字符串结束。

请参阅regex demo。

Answer 2

您可以检查该行不以 1st 2nd.. 开头以仅删除这些行。

^(?!\d+(?:st|nd|rd|th)$).*$

Regex demo