Python：用户警告：此模式具有匹配组。要实际获取组，请使用 str.extract

Question

我有一个数据框，我尝试获取字符串，其中的列包含一些字符串 df看起来像

member_id,event_path,event_time,event_duration
30595,"2016-03-30 12:27:33",yandex.ru/,1
30595,"2016-03-30 12:31:42",yandex.ru/,0
30595,"2016-03-30 12:31:43",yandex.ru/search/?lr=10738&msid=22901.25826.1459330364.89548&text=%D1%84%D0%B8%D0%BB%D1%8C%D0%BC%D1%8B+%D0%BE%D0%BD%D0%BB%D0%B0%D0%B9%D0%BD&suggest_reqid=168542624144922467267026838391360&csg=3381%2C3938%2C2%2C3%2C1%2C0%2C0,0
30595,"2016-03-30 12:31:44",yandex.ru/search/?lr=10738&msid=22901.25826.1459330364.89548&text=%D1%84%D0%B8%D0%BB%D1%8C%D0%BC%D1%8B+%D0%BE%D0%BD%D0%BB%D0%B0%D0%B9%D0%BD&suggest_reqid=168542624144922467267026838391360&csg=3381%2C3938%2C2%2C3%2C1%2C0%2C0,0
30595,"2016-03-30 12:31:45",yandex.ru/search/?lr=10738&msid=22901.25826.1459330364.89548&text=%D1%84%D0%B8%D0%BB%D1%8C%D0%BC%D1%8B+%D0%BE%D0%BD%D0%BB%D0%B0%D0%B9%D0%BD&suggest_reqid=168542624144922467267026838391360&csg=3381%2C3938%2C2%2C3%2C1%2C0%2C0,0
30595,"2016-03-30 12:31:46",yandex.ru/search/?lr=10738&msid=22901.25826.1459330364.89548&text=%D1%84%D0%B8%D0%BB%D1%8C%D0%BC%D1%8B+%D0%BE%D0%BD%D0%BB%D0%B0%D0%B9%D0%BD&suggest_reqid=168542624144922467267026838391360&csg=3381%2C3938%2C2%2C3%2C1%2C0%2C0,0
30595,"2016-03-30 12:31:49",kinogo.co/,1
30595,"2016-03-30 12:32:11",kinogo.co/melodramy/,0

还有另一个带有 url 的 df

url
003\.ru\/[a-zA-Z0-9-_%$#?.:+=|()]+\/mobilnyj_telefon_bq_phoenix
003\.ru\/[a-zA-Z0-9-_%$#?.:+=|()]+\/mobilnyj_telefon_fly_
003\.ru\/sonyxperia
003\.ru\/[a-zA-Z0-9-_%$#?.:+=|()]+\/mobilnye_telefony_smartfony
003\.ru\/[a-zA-Z0-9-_%$#?.:+=|()]+\/mobilnye_telefony_smartfony\/brands5D5Bbr_23
1click\.ru\/sonyxperia
1click\.ru\/[a-zA-Z0-9-_%$#?.:+=|()]+\/chasy-motorola

我用

urls = pd.read_csv('relevant_url1.csv', error_bad_lines=False)
substr = urls.url.values.tolist()
data = pd.read_csv('data_nts2.csv', error_bad_lines=False, chunksize=50000)
result = pd.DataFrame()
for i, df in enumerate(data):
    res = df[df['event_time'].str.contains('|'.join(substr), regex=True)]

但它返回我

UserWarning: This pattern has match groups. To actually get the groups, use str.extract.

我该如何解决这个问题？

Answer 1

您可以改用str.match。在您的代码中：

res = df[df['event_time'].str.match('|'.join(substr), regex=True)]

---

---

说明

当正则表达式包含组时，str.contains 会触发警告，例如在正则表达式r'foo(bar)' 中，(bar) 部分被视为一个组，因为它位于括号中。因此，理论上您可以从正则表达式中提取它。

然而，警告首先没有意义，contains 应该只“测试模式或正则表达式是否包含在系列或索引”（pandas documentation）。没有提取组。

在任何情况下，str.match 都不会抛出警告，并且目前与 str.contains 几乎相同，除了 (1) 字符串必须完全匹配和 (2) 不能从 str.match 停用正则表达式 (@ 987654332@ 有一个regex 参数来停用它们）

Answer 2

您应该使用re.escape(yourString) 作为您传递给包含的字符串。

Answer 3

消除警告的另一种方法是更改​​正则表达式，使其成为匹配组而不是捕获组。那是(?:) 符号。

因此，如果匹配组为(url1|url2)，则应将其替换为(?:url1|url2)。

Answer 4

由于提供了regex=True，sublist 被视为正则表达式，在您的情况下，它包含捕获组（用括号括起来的字符串）。

您会收到警告，因为如果您想捕获某些内容，则无法使用 str.contains（返回布尔值，具体取决于提供的模式是否包含在字符串中）

显然，您可以抑制警告，但修复它更好 他们。

如果您真的想捕获某些内容，请转义括号块或使用str.extract。

Answer 5

urls 中的至少一个正则表达式模式必须使用捕获组。 str.contains 只为 df['event_time'] 中的每一行返回 True 或 False -- 它不使用捕获组。因此，UserWarning 正在提醒您 正则表达式使用捕获组但未使用匹配项。

如果您想删除UserWarning，您可以从正则表达式模式中找到并删除捕获组。它们未显示在您发布的正则表达式模式中，但它们必须存在于您的实际文件中。查找字符类之外的括号。

或者，您可以通过放置

来抑制这个特定的 UserWarning

import warnings
warnings.filterwarnings("ignore", 'This pattern has match groups')

在致电str.contains之前。

---

这是一个演示问题（和解决方案）的简单示例：

# import warnings
# warnings.filterwarnings("ignore", 'This pattern has match groups') # uncomment to suppress the UserWarning

import pandas as pd

df = pd.DataFrame({ 'event_time': ['gouda', 'stilton', 'gruyere']})

urls = pd.DataFrame({'url': ['g(.*)']})   # With a capturing group, there is a UserWarning
# urls = pd.DataFrame({'url': ['g.*']})   # Without a capturing group, there is no UserWarning. Uncommenting this line avoids the UserWarning.

substr = urls.url.values.tolist()
df[df['event_time'].str.contains('|'.join(substr), regex=True)]

打印

  script.py:10: UserWarning: This pattern has match groups. To actually get the groups, use str.extract.
  df[df['event_time'].str.contains('|'.join(substr), regex=True)]

从正则表达式模式中删除捕获组：

urls = pd.DataFrame({'url': ['g.*']})   

避免用户警告。