熊猫 - 提取方法不匹配任何东西[重复]

Question

我对这个看似简单的任务有疑问。 这是我的问题的娱乐：

我有一个名为 legal 的数据框：

+----+-----------------+
|    | legal           |
|----+-----------------|
|  0 | gmbh            |
|  1 | kg              |
|  2 | ag              |
|  3 | GmbH & Co. KGaA |
|  4 | LP              |
|  5 | LLP             |
|  6 | LLLP            |
|  7 | LLC             |
|  8 | PLLC            |
|  9 | corp            |
| 10 | corporation     |
| 11 | inc             |
| 12 | cic             |
| 13 | cio             |
| 14 | ltd             |
| 15 | s.a.            |
+----+-----------------+

它包含所有可以代表给定公司的法律条款的词。

现在我有另一个数据框，其中包含公司原始名称列表，其中可能还包含一些法律条款。 我的任务是为companies 数据框中的每个公司行名称识别此类法律条款。 我正在尝试使用一些正则表达式，以便法律术语可能是大写和小写（或混合）。所以我为此使用了 extract 方法。

为了演示，我的第一个公司原始名称是 2&0 Technologies Inc，因此对于该公司，我希望从我的合法数据框中提取世界 inc。

这是我的代码的简化版本，带有一些 cmets：

def format_companies(self, legals, locations):
        self.companies['base_name'] = ''
        self.companies['location'] = ''
        self.companies['legal'] = ''
        for i, row in self.companies.iterrows():
            legal_pattern = '/(' + "|".join(row['raw'].split()]) +')/ig'
            legal_pattern = rf'{legal_pattern}'
            print(legal_pattern) # It prints out -> /(2&0|Technologies|Inc)/ig
            legal = legals['legal'].str.extract(legal_pattern)
            print(tabulate(legal, headers='keys', tablefmt='psql')) # Everything is NaN. (results will be print below)
            if i >= 0:
                break

第一个打印语句只是打印出extract方法中使用的模式，即/(2&0|Technologies|Inc)/ig。

第二个模式是打印extract方法的结果，如cmets中所说，它返回一个NaN列表：

+----+-----+
|    |   0 |
|----+-----|
|  0 | nan |
|  1 | nan |
|  2 | nan |
|  3 | nan |
|  4 | nan |
|  5 | nan |
|  6 | nan |
|  7 | nan |
|  8 | nan |
|  9 | nan |
| 10 | nan |
| 11 | nan |
| 12 | nan |
| 13 | nan |
| 14 | nan |
| 15 | nan |
+----+-----+

我很困惑，因为如果您在 https://www.regextester.com/ 上的文本“inc”上尝试正则表达式 /(2&0|Technologies|Inc)/ig，inc 会被正确选择。

我做错了什么？

Answer 1

str.extract() 无法识别带有 /i 的正则表达式模式以指示 IGNORECASE。要解决这个问题，您可以通过两种方式来解决：

方法一：改变你对legal_pattern的定义，不带/和/ig：

legal_pattern = '(' + "|".join(row['raw'].split()]) +')'
legal_pattern = rf'{legal_pattern}'

改为在str.extract() 中使用标志re.IGNORECASE，如下所示：

import re
legals['legal'].str.extract(legal_pattern, re.IGNORECASE)

方法二：或者，也可以在正则表达式中使用(?i)来表示IGNORECASE，如下：

legal_pattern = '(?i)(' + "|".join(row['raw'].split()]) +')'
legal_pattern = rf'{legal_pattern}'

然后，您可以使用str.extract() 而不指定re.IGNORECASE：

legals['legal'].str.extract(legal_pattern)

结果：

      0
0   NaN
1   NaN
2   NaN
3   NaN
4   NaN
5   NaN
6   NaN
7   NaN
8   NaN
9   NaN
10  NaN
11  inc
12  NaN
13  NaN
14  NaN
15  NaN