Python Pandas 从包含使用正则表达式的字符串的列中提取单词答案

【问题标题】：Python Pandas Extract word from column that contains String with RegexPython Pandas 从包含使用正则表达式的字符串的列中提取单词
【发布时间】：2021-04-19 17:23:28
【问题描述】：

我有这个数据框（列是字符串）：

        ORF                                             ORFDesc
3     b1731              succinate-semialdehyde dehydrogenase
4      b234              succinate-semialdehyde dehydrogenase
24    b2780                             L-alanine dehydrogenase
27     b753          methylmalmonate semialdehyde dehydrogenase
29    b1187               pyrroline-5-carboxylate dehydrogenase
...............................................................                                               
1922  b1124                         probable epoxide hydrolase 
1923  b2214                         probable epoxide hydrolase 
1924  b3670                          probable epoxide hydrolase
1925   b134                          probable epoxide hydrolase
2382  b2579    1,3,4,6-tetrachloro-1,4-cyclohexadiene hydrolase

我需要为带有 'ORFDesc' 的行获取 'ORF' 值，其中包含带有“hydro”但仅包含 13 个字符的单词。我解释一下，字长必须是 13 个字符，而不是整个描述。

我正在使用

df['IDClass'][df['ORFDesc'].str.contains("hydro", na=False)]

为了匹配包含“hydro”的行，但我需要拒绝长度为 != 13 的行。

我想使用正则表达式，这样我就可以创建一个新的列“单词”，例如：

ORF                                             ORFDesc                word
3     b1731              succinate-semialdehyde dehydrogenase          dehydrogenase
4      b234              succinate-semialdehyde dehydrogenase          dehydrogenase
24    b2780                             L-alanine dehydrogenase        dehydrogenase
27     b753          methylmalmonate semialdehyde dehydrogenase           .
29    b1187               pyrroline-5-carboxylate dehydrogenase             .
...............................................................                                               
1922  b1124                         probable epoxide hydrolase         hydrolase 
1923  b2214                         probable epoxide hydrolase         hydrolase 
1924  b3670                          probable epoxide hydrolase        ....
1925   b134                          probable epoxide hydrolase         ..
2382  b2579    1,3,4,6-tetrachloro-1,4-cyclohexadiene hydrolase        .

然后可以通过使用“word”列中的长度来丢弃行。

会是什么模式？

编辑：

我试过了，但还是不行：

pattern = '\b(?=\w*hydro)\w+\b'

【问题讨论】：

标签： python regex pandas

【解决方案1】：

如果您正在寻找一个布尔系列来判断它是否匹配，您可以使用\b(?=\w{13}\b)(?=\w*hydro)，它将判断单词是否为 13 个字符并包含 hydro 模式：

df.ORFDesc.str.contains(r'\b(?=\w{13}\b)(?=\w*hydro)')

#3        True
#4        True
#24       True
#27       True
#29       True
#1922    False
#1923    False
#1924    False
#1925    False
#2382    False
#Name: ORFDesc, dtype: bool

【讨论】：

【解决方案2】：

你可以使用

\b(?=\w{13}\b)\w*hydro

见regex demo

详情

\b - 单词边界
(?=\w{13}\b) - 正向前瞻，要求 13 个单词字符紧跟在当前位置的右侧，后跟单词边界
\w*hydro - 零个或多个单词字符，然后是 hydro。

Python 代码：

df['ORF'][df['ORFDesc'].str.contains(r"\b(?=\w{13}\b)\w*hydro", na=False)]

【讨论】：