如何从列值中排除前缀子字符串

Question

我的目标是排除以No为前缀的行，例如，我对单词commerce感兴趣，然后我必须保留所有行包含commerce，并排除no commerce。我在找一个通用的解决方案

data = {
'description':[
    'Commerce foo', 
    'foo commercial',
    'foo no commercial',
    'foo commercial boo',
    'No commerce',
    'foo restaurant',
    'boo no restaurant']
}

df = pd.DataFrame(data)

    ______________________
    | description        |
__________________________
| 0 | Commerce foo       |
| 1 | foo commercial     |
| 2 | foo no commercial  |
| 3 | foo commercial boo |
| 4 | No commerce        |
| 5 | foo restaurant     |
| 6 | boo no restaurant  |
__________________________

我试过(不工作)

search = ['restaurant', 'commerce', 'commercial']

df['description'].str.findall(f'̂̂̂^(?<=no\s)({"|".join(search)})', flags=re.IGNORECASE)

我在找什么

    ______________________
    | description        |
__________________________
| 0 | Commerce foo       |
| 1 | foo commercial     |
| 3 | foo commercial boo |
| 5 | foo restaurant     |
__________________________

Answer 1

当前的模式从^(?<=no\s)开始，它断言从字符串开始，应该有一个no，后面跟着一个空格字符，直接放在左边。那是不匹配的。

如果要筛选行，可以使用str.contains而不是findall。

您可以删除锚点^，并将断言更改为(?<!no\s)，这将断言不存在no，然后将空格字符直接放在左边，然后向左和右添加单词边界，以防止部分单词匹配。

对于仅匹配的对象，可以将捕获组更改为非捕获的(?:。

如果你打印这个图案，它看起来就像

\b(?<!no\s)(?:restaurant|commerce|commercial)\b

见regex演示

data = {
    'description':[
        'Commerce foo',
        'foo commercial',
        'foo no commercial',
        'foo commercial boo',
        'No commerce',
        'foo restaurant',
        'boo no restaurant']
}

df = pd.DataFrame(data)
search = ['restaurant', 'commerce', 'commercial']
print(df[df['description'].str.contains(fr'\b(?<!no\s)(?:{"|".join(search)})\b', flags=re.IGNORECASE)])

输出

          description
0        Commerce foo
1      foo commercial
3  foo commercial boo
5      foo restaurant