Python Pandas 和正则表达式使用字典替换 Dataframe 中的项目

Question

您好，我正在尝试使用 Python Pandas 中的字典重新映射 Dataframe，但我需要使用正则表达式才能正常工作。

这里是一个字典示例：

di_cities = {
"Ain Salah (town)": "Ain Salah"
"Agadez town": "Agadez"
"Bamako city":  "Bamako",
"Birnin Konni town":  "Birni N Konni",
"Konni":  "Birni N Konni",
"Kadunà":  "Kaduna",
"Kaduna (city)":  "Kaduna",
"Kano (city)":  "Kano"
"Matamey":  "Matamey",
"Mopti city":  "Mopti"
"N'guigmi":  "Nguigmi",
"Tunis":  "Tunis",
"Tunis (city)":  "Tunis"
}

我正在使用这个迭代：

di_cities = {rf"\b{k}\b": v for k, v in di_cities.items()}
df_cities_clean = df.replace(di_cities, regex=True)

正如您在图片中看到的（最终结果），它适用于 Bamako、Agadez、Mopti 和每个单字字符串。不适用于任何带括号的字符串，以防 Birnin Konni 有点混乱。 我正在以类似的方式使用另一本字典，但每个字符串都在括号之间，{rf"\({k}\)" 工作得很好。

你能帮帮我吗？

Final result

Answer 1

我建议使用

di_cities = {rf"\b{re.escape(k)}(?:(?<=\w)\b|(?<!\w))": v for k, v in di_cities.items()}

使用此字典理解，您可以创建另一个字典，其键为正则表达式，将以前的键匹配为整个单词，以单词字符开始（即数字、字母、下划线、连接标点符号）和 -如果它们以单词 chars 结尾 - 不会立即跟在另一个单词 char 之后。如果键不以单词 char 结尾，例如，如果它以标点符号或空格结尾（可能添加 .strip() 会使其更安全），则不会应用额外的边界检查。

rf"\b{re.escape(k)}(?:(?<=\w)\b|(?<!\w))" 首先转义 [all special regex metacharacters in] 键，然后在其前面加上单词边界，(?:(?<=\w)\b|(?<!\w)) 是匹配的非捕获组

• (?<=\w)\b - 如果前面的 char 是单词 char，则为单词边界（(?<!...) 是正向回溯）
• | - 或
• (?<!\w)) - 如果当前位置左侧没有单词 char，则无需额外检查（匹配空字符串）（(?<!...) 是否定的后视）。