pandas 和 "re" - 搜索全部和部分字符串

Question

这是来自this topic 的扩展问题。我想在字符串中搜索全部和部分字符串，例如以下关键字系列“w”：

rigour*
*demeanour*
centre*
*arbour
fulfil

这显然意味着我想搜索严格和严谨s、en风度和风度s、中心和中心s，h乔木和乔木，完成。因此，我拥有的关键字列表是要查找的完整字符串和部分字符串的组合。我想在这个 DataFrame "df" 上应用搜索：

ID;name
01;rigour
02;rigours
03;endemeanour
04;endemeanours
05;centre
06;centres
07;encentre
08;fulfil
09;fulfill
10;harbour
11;arbour
12;harbours

到目前为止，我尝试了以下内容：

r = re.compile(r'.*({}).*'.format('|'.join(w.values)), re.IGNORECASE)

然后我构建了一个掩码来过滤 DataFrame：

mask = [m.group(1) if m else None for m in map(r.search, df['Tweet'])]

为了使用找到的关键字获得一个新列：

df['keyword'] = mask

我期待的是以下结果 DataFrame：

ID;name;keyword
01;rigour;rigour
02;rigours;rigour
03;endemeanour;demeanour
04;endemeanours;demeanour
05;centre;centre
06;centres;centre
07;encentre;None
08;fulfil;fulfil
09;fulfill;None
10;harbour;arbour
11;arbour;arbour
12;harbours;None

这适用于不带 * 的 w 列表。现在我在格式化关键字 w 带有 * 条件的单词列表时遇到了几个问题，以便正确运行 re.compile 函数。

任何帮助将不胜感激。

Answer 1

看起来您的输入序列w 需要调整为像这样用作正则表达式模式：

rigour.*
.*demeanour.*
centre.*
\\b.*arbour\\b
\\bfulfil\\b

请注意，正则表达式中的* 会追踪它无法自行运行的东西。这意味着它后面的任何东西都可以重复0次或多次。

还要注意fulfil 是fulfill 的一部分，如果你想要严格匹配，你需要告诉正则表达式。例如，通过使用“单词分隔符” - \b - 它只会捕获整个字符串。

以下是您的正则表达式为您提供所需结果的样子：

s = '({})'.format('|'.join(w.values))
r = re.compile(s, re.IGNORECASE)
r

re.compile(r'(rigour.*|.*demeanour.*|centre*|\b.*arbour\b|\bfulfil\b)', re.IGNORECASE)

您的替换代码可以使用 pandas .where 方法来完成，如下所示：

df['keyword'] = df.name.where(df.name.str.match(r), None)
df

            ID          name       keyword
        0    1        rigour        rigour
        1    2       rigours       rigours
        2    3   endemeanour   endemeanour
        3    4  endemeanours  endemeanours
        4    5        centre        centre
        5    6       centres       centres
        6    7      encentre          None
        7    8        fulfil        fulfil
        8    9       fulfill          None
        9   10       harbour       harbour
        10  11        arbour        arbour
        11  12      harbours          None