在pandas的“str.extract（）”中使用正则表达式的“意外”行为

Question

我正在尝试掌握正则表达式，并且我遇到了str.extract方法中包含的那个：

movies['year']=movies['title'].str.extract('.*\((.*)\).*',expand=True)

应该检测并提取括号中的任何一个。因此，如果给定此字符串：foobar (1995)，则应返回1995。但是，如果我打开终端并输入以下内容

echo 'foobar (1995)` | grep '.*\((.*)\).*'

匹配整个字符串，而不仅仅是括号之间的内容。我假设该方法使用BRE风格，因为括号scaping，grep（默认行为）也是如此。此外，regex匹配整个字符串的蓝色和年份的绿色（捕获组）。我在这里错过了什么吗？正则表达式在python中完美运行

Answer 1

首先，Pandas .str.extract()的行为是非常期待的：它只返回捕获组内容。与extract一起使用的模式至少需要1个捕获组：

  

pat : string
  带捕获组的正则表达式模式

如果使用命名捕获组，则新列将以命名组命名。

您提供的grep命令可以缩减为

grep '\((.*)\)'

因为grep能够匹配行部分（不需要完整的行匹配）并且每行工作：一旦找到匹配，则返回整行。要覆盖该行为，您可以使用-o开关。

使用grep，您无法返回捕获组内容。这可以通过使用-P选项的PCRE regexp解决，但是在Mac上不可用，例如。 sed或awk也可以在这些情况下提供帮助。

Answer 2

尝试使用：

movies['year']= movies['title'].str.extract('.*\((\d{4})\).*',expand=False)

• 如果您希望它返回DataFrame或应用多个捕获组，请设置 expand = True 。
• 一年总是由4位数组成。所以正则表达式： \（（\ d {4}）\）匹配括号之间的任何日期。