熊猫和正则表达式

Question

我有下面的代码，希望完成简单的模式识别。我希望它找到所有出现的PDP或CDP或PRS或EDP，然后是（0或最多3个）非数字，然后是（恰好是6个数字）。看起来很简单，但熊猫不断尖叫以下错误。

数据行样本：

row1 CAPS ACCT # /APR 1-APR 30 18/EDP 443996/SPECIAL PRICING
row2 CAPS /EDP# 320902/UNUSED LABELS


ValueError: Wrong number of items passed 5, placement implies 1

df['USPS_refund_no'] = df['APEX Invoice Description'].str.extract(r'((EDP)|(PDP)|(CDP)|(PRS)\D{,3}\d{6})',expand=True)

预先感谢

Answer 1

在您的情况下，str.extract需要一个捕获组。要在编号之前匹配替代方案，请将替代列表包含在非捕获组中，并使用外部捕获组捕获整个模式：

df['USPS_refund_no'] = df['APEX Invoice Description'].str.extract(r'((?:EDP|PDP|CDP|PRS)\D{0,3}\d{6})',expand=True)

请参见regex demo。

详细信息

• (-外部捕获组的开始（extract必需）
• (?:EDP|PDP|CDP|PRS)-一个非捕获组，与内部列出的任何替代方案匹配（请注意，您也可以将其写为(?:[EPC]DP|PRS)）：
  • EDP-EDP
  • |-或
  • PDP-PDP
  • |-或
  • CDP-CDP
  • |-或
  • PRS-PRS
• \D{0,3}-0到3个非数字
• \d{6}-六位数
• )-外部捕获组的结尾。