在python pandas中的字符串中返回正则表达式的多个匹配项

Question

我正在尝试提取＆＃34;＆gt;＆lt;＆＃34;之间的所有匹配项在一个字符串

以下代码仅返回字符串中的第一个匹配项。

In:    
import pandas as pd
import re
df = pd.Series(['<option value="85">APOE</option><option value="636">PICALM1<'])
reg = '(>([A-Z])\w+<)'
df2 = df.str.extract(reg)
print df2

Out:
    0   1
0   >APOE<  A

我想返回＆＃34; APOE＆＃34;和＆＃34; PICALM1＆＃34;而不只是＆＃34; APOE＆＃34;

感谢您的帮助！

Answer 1

不需要大熊猫。

df = '<option value="85">APOE</option><option value="636">PICALM1<'
reg = '>([A-Z][^<]+)<'
print re.findall(reg,df)
['APOE', 'PICALM1']

使用正则表达式解析HTML可能不是最好的主意，您是否考虑过使用BeautifulSoup？

Answer 2

import re
import pandas as pd
df['new_col'] =  df['old_col'].str.findall(r'>([A-Z][^<]+)<')

这会将所有匹配项作为列表存储在dataframe的new_col中。