Question

目标：在pandas数据框列中查询一个文本短语，该短语中可能有单词，也可能没有单词。在较高级别上，短语是“ word1 word2”。在单词1和单词2之间可能有也可能没有其他单词。

这听起来像个骗子，但是我在这里尝试了SO答案：

How to extract a substring from inside a string in Python?

Regular expression: matching and grouping a variable number of space separated words

Match text between two strings with regular expression

Extract text information between two define text

还有其他一些人，他们都错过了word1和word2之间没有单词的情况。

这些票数很高的解决方案都依赖于word1和word2之间的（。+？）。

例如：word1（。+？）word2

如果word1和word2之间有1个以上的单词，则上述方法效果很好。但是，如果在word1和word2之间没有单词，那么它不会返回任何结果，但是我希望它在这种特殊情况下也能返回结果，因为文本短语包含word1 word2。

此外，将提前清除数据，因此无需考虑大小写，逗号或其他虚假字符。

下面是我的代码和试用版。代替word1 word2，我使用“已交付的邮件”作为文本短语。

请注意，他们都错过了第一个示例，其中“已交付的作品”之间没有中间的单词。它应返回“按时交货的某些零件”，以及其他行与“按时交货的零件”。

先谢谢了。

import pandas as pd
df = pd.Series(['a', 'b', 'c', 'some pieces delivered on time', 'all pieces not delivered', 'most pieces were never delivered at all', 'the pieces will never ever be delivered', 'some delivered', 'i received broken pieces'])

print("Baseline - Desired results SHOULD contain:\n", df.iloc[3:7])

# The following options all miss one or more rows from the desired results. 
# Just uncomment rgx = to run a regex. 
rgx = r'pieces\s(.*?)\sdelivered'
#rgx = r'pieces\s(\w*)\sdelivered'
#rgx = r'pieces\s(\w*)+\sdelivered'
#rgx = r'pieces\s(\w)*\sdelivered'
#rgx = r'pieces\s(\w+\s)+\sdelivered'
#rgx = r'pieces\s(.*)\sdelivered'
#rgx = r'pieces\s+((%s).*?)\sdelivered'

df2 = df[df.str.contains(rgx)]
print("\nActual results were:\n", df2)

Answer 1

第二个'\s'的位置错误。仅当两个单词不相邻时才需要它：

df[df.str.contains(r'pieces\s(?:.+?\s)?delivered')]
#3              some pieces delivered on time
#4                   all pieces not delivered
#5    most pieces were never delivered at all
#6    the pieces will never ever be delivered

在pandas数据框列中查询一个文本短语，该短语中可能有单词也可能没有单词

1 个答案: