pandas `str.extract()` 中带有捕获组的正则表达式的预期行为答案

【问题标题】：Expected behavior with regular expressions with capturing-groups in pandas' `str.extract()`pandas `str.extract()` 中带有捕获组的正则表达式的预期行为
【发布时间】：2020-01-03 05:38:41
【问题描述】：

我正在尝试掌握正则表达式，我遇到了包含在 str.extract 方法中的那个：

movies['year']=movies['title'].str.extract('.*\((.*)\).*',expand=True)

它应该检测和提取括号中的内容。所以，如果给定这个字符串：foobar (1995)，它应该返回1995。但是，如果我打开终端并输入以下内容

echo 'foobar (1995)` | grep '.*\((.*)\).*'

匹配整个字符串，而不仅仅是括号之间的内容。我假设该方法使用 BRE 风格，因为括号是换行的，grep 也是如此（默认行为）。此外，regex 匹配整个字符串的蓝色和年份的绿色（捕获组）。我在这里错过了什么吗？正则表达式在 python 中完美运行

【问题讨论】：

grep 默认返回与您的模式匹配的行。
所以，看看这个：unix.stackexchange.com/questions/13466/…
另外，如果您在 MacOsX、IIRC 上，grep 已因删除 -P 选项而受到阻碍。
我真的一直忘记grep返回匹配行
如果我在下面的回答回答了您的问题，请考虑支持/接受。否则，请发表评论，其中包含您仍需要澄清的细节。

标签： python regex pandas capturing-group

【解决方案1】：

试试这个：

movies['year']= movies['title'].str.extract('.*\((\d{4})\).*',expand=False)

如果您希望它返回 DataFrame 或应用多个捕获组，请设置 expand= True。
年份总是由 4 位数字组成。所以正则表达式： \((\d{4})\) 匹配括号之间的任何日期。

【讨论】：

【解决方案2】：

首先，Pandas .str.extract() 的行为是意料之中的：它只返回捕获组 内容。 extract 使用的模式需要至少 1 个捕获组：

pat : string
带有捕获组的正则表达式模式

如果您使用命名捕获组，则新列将以命名组命名。

您提供的grep 命令可以简化为

grep '\((.*)\)'

因为grep 能够匹配一行部分（不需要全行匹配）并且在每行基础上工作：一旦找到匹配项，就会返回整行。要覆盖该行为，您可以使用-o 开关。

使用grep，您无法返回捕获组内容。这可以通过带有-P 选项的 PCRE 正则表达式来解决，但它在 Mac 上不可用，例如。 sed 或 awk 在这些情况下也可能会有所帮助。

【讨论】：