Skip to main content
 首页 » 编程设计

python之尝试在 Python/pandas 中使用正则表达式获取子字符串

2024年11月24日35mfrbuaa

我知道这可能看起来很愚蠢,但我一直在到处寻找并尝试使用正则表达式并徒劳地拆分。我的脚本对我的数据集上的所有类型的字符串都不起作用。

我的这一列包含看起来像(三种情况)的原始数据:

20181223-FB-BOOST-AAAA-CC Auchy-Les-Mines - Père Noel 
20161224-FB-BOOST-SSSS-CC LeMarine - XXX XXX 
20161223-FB-BOOST-XXXX-CC Bonjour le monde - Blah blah 

所以我想做的是在 CC 之后和“-”之前的中间获取字符串。我写了一个脚本,它对第二种情况有效,但对其他两种情况无效:

1st case: Auchy-Les-Mines 
2nd case: LeMarine 
3rd case: Bonjour le monde 

这是我使用的正则表达式,但并不适用于所有情况:regex = r"\s\b.*-."

提前致谢!

请您参考如下方法:

你我用

df['Col'].str.extract(r'-CC\s+(.*?)\s+-') 

如果两个定界符之间可以有换行符,添加s/dotall标志或者使用[\w\W]/[\s\S]/[\d\D] 而不是 。:

df['Col'].str.extract(r'(?s)-CC\s+(.*?)\s+-') 
#                       ^^^^ 
df['Col'].str.extract(r'-CC\s+([\w\W]*?)\s+-') 
#                              ^^^^^^ 

参见 the regex demo .

图案细节

  • -CC - 文字子串
  • \s+ - 1+ 个空格
  • (.*?) - 第 1 组(此值将由 .str.extract 返回):除换行符外的任何 0+ 个字符,尽可能少
  • \s+ - 1+ 个空格(+ 在这里很重要)
  • - - 连字符

(.*?) 两端都有 \s+ 模式这一事实将确保结果已经从空白中剥离,无论那里有多少空白