如何从候选列表中识别包含最少数量不同单词的行？

Question

我有一个单词列表和一个数据集。我想识别数据集中至少包含列表中两个单词的行。

我能够识别包含至少两个列表词的行，但我的代码也有问题地识别了重复单个列表词的行。

这是我的代码：

import pandas as pd
    
data={'Name':['Redred','redblue','redgreen','blue']}

df=pd.DataFrame(data)

df['Good colours'] = (df['Name'].str.contains("(red.*|blue.*|green.*){2,}",case=False, regex=True))

print(df)

在结果数据集中，'redred' 行在不应该返回 true 时返回。

为了排除重复的单词，我尝试了(red.*){1,}(blue.*){1,}(green.*){1}，但这意味着不再识别“redblue”和“redgreen”（代码必须识别这些行。）

如何编写正则表达式以识别列表词的两个实例，同时排除列表词的重复实例？

Answer 1

有时 regex 不是这项工作的工具。

我会简单地使用单独的调用来确定哪些行包含红色、绿色和蓝色，然后查看哪些行至少在其中两个组中。

def name_has_color(df, color):
    return df['Name'].str.contains(color, case=False).astype(int)

color_counts = sum(
    name_has_color(df, color)
    for color in ['red', 'green', 'blue']
)

df['good_colors'] = (color_counts >= 2)

这种方法自然具有可扩展性，如果您需要检查更多包含的值或需要更多查找的值，则不会变得更复杂。

Answer 2

你可以使用

(df['Name'].str.contains(r"^(?!(red|blue|green)\1+$)(?:.*(?:red|blue|green)){2}",case=False, regex=True))

如果您的字符串只能由列表中的单词组成，请删除.*，并将{2} 替换为{2,}$：

(df['Name'].str.contains(r"^(?!(red|blue|green)\1+$)(?:red|blue|green){2,}$",case=False, regex=True))

详情：

• ^ - 字符串开头
• (?!(red|blue|green)\1+$) - 如果存在匹配失败的否定前瞻
  • (red|blue|green) - 组 1：组中定义的任何子字符串
  • \1+ - 一次或多次重复第 1 组值，然后
  • $ - 字符串结束
• (?:.*(?:red|blue|green)){2} - 出现两次零个或多个字符（换行符除外），尽可能多，然后出现一次组中定义的子字符串。
• (?:red|blue|green){2,}$ - 组中的单词出现两次或多次，然后是字符串的结尾。

请参阅regex demo #1 和regex demo #2。