熊猫：str.contains 使用正则表达式答案

【问题标题】：Pandas: str.contains using regex熊猫：str.contains 使用正则表达式
【发布时间】：2018-04-30 05:45:24
【问题描述】：

我有数据框，我需要使用正则表达式对其进行过滤。

数据框：

                  domain                    tag1  
0         ^mail.ru/search                  Сервис   
1             go.mail.ru$              Веб-портал   
2           vk.com/audios              Социальное   
3            vk.com/video              Социальное   
4             vk.com/apps              Социальное   
5                  vk.com              Социальное   
6       ^yandex.ru/search                  Сервис   
7       ^yandex.ru/pogoda                  Сервис   
8             ^yandex.ru$              Веб-портал

我只需要获取域

我尝试使用

def get_domain_encoding(df):
    return df[df.domain.str.contains(r'[a-zA-Z0-9-_]+.[a-zA-Z0-9]')]

它还给我

                   domain                    tag1  
0         ^mail.ru/search                  Сервис      
2           vk.com/audios              Социальное   
3            vk.com/video              Социальное   
4             vk.com/apps              Социальное   
5                  vk.com              Социальное   
6       ^yandex.ru/search                  Сервис   
7       ^yandex.ru/pogoda                  Сервис   
8             ^yandex.ru$              Веб-портал

当我把它改成

def get_domain_encoding(df):
    return df[df.domain.str.contains(r'^[a-zA-Z0-9-_]+.[a-zA-Z0-9]$')]

它返回空数据框。

我该如何解决这个问题？

【问题讨论】：

你为什么要使用这样的范围？ \w。另外，请避开您的句号，否则它会被视为通配符：\.
正如@TheIncorrigible1 提到的，使用[\w-] 代替第一组，使用\. 作为文字点而不是除换行符以外的任何字符（除非使用s 修饰符）。您也可以将[^\W_] 用于第二组。 ^[\w-]+\.[^\W_]$

标签： python regex pandas

【解决方案1】：

你可以试试这个：

df.domain.str.extract('(\w+\.)?(\w+\.\w+)', expand=False)[1]

输出：

0      mail.ru
1      mail.ru
2       vk.com
3       vk.com
4       vk.com
5       vk.com
6    yandex.ru
7    yandex.ru
8    yandex.ru
Name: 1, dtype: object

进行一些修改，使用命名组并丢弃“子域”组：

df.domain.str.extract('(?P<subdomain>\w+\.)?(?P<domain>\w+\.\w+)',expand=False)['domain']

【讨论】：

我只需要域，不需要子域
@PetrPetrov，如果您认为它已经回答了您的问题，请考虑accepting / upvoting 一个答案