使用熊猫的优雅规范-提取剂量信息

Question

我有如下所示的数据框架

df = pd.DataFrame({'text_1':['WHITE SOFT PARAFFIN 100G', 'VITAMIN B12 1MG/ML INJ 10ML','vitamin B1 100mg, B6 200mg, B12 200mcg tab','UREA CREAM 10% BP 100G', 'TOBRAMYCIN 0.3%/DEXA 1% EYE DROP 5ML','TERAzosin 5MG TAB (HYTRIN)','SODIUM CHLORIDE 0.9% EYE DROP 5ML/10ML']})

我想从样本数据中显示的药物清单中提取剂量信息。

虽然，我可以达到90%的准确性，我想问你，我如何才能做到最简单的方式或稳健的方式，以尽量减少捕获不需要的信息。

例如，我尝试了下面的内容，它产生了一个不正确的输出。

df['text_1'].str.findall('[0-9]+\s*[mgMG/lLcC]+')

​

​

最后一行应该是5ML/10ML，但它被分成两行(这是不正确的)

另一个提示是，我知道我所有的剂量值都将从number optionally followed by a space and unit like MG, MCG、ML、G、g、mg、mcg或ml等开始。

例如：WHITE SOFT PARAFFIN 100G，我想提取100G。同样，对于VITAMIN B12 1MG/ML INJ 10ML，我想提取1MG/ML and 10ML。我们提取1MG/ML和10ML，因为它满足我的提示。

因此，我希望我的输出如下所示

​

​

Answer 1

怎么样

df.text_1.str.findall(r"\d+\s*[mc]*[lg]+/*(?:\d*\s*[mc]*[lg]+)?", flags=re.IGNORECASE)

产出：

0                    [100G]
1            [1MG/ML, 10ML]
2    [100mg, 200mg, 200mcg]
3                    [100G]
4                     [5ML]
5                     [5MG]
6                [5ML/10ML]
Name: text_1, dtype: object

关于regex：

\d+

• 我们至少需要一些数字：

\s*空间是可选的

• 空间

[mc]*

• 像m或c这样的前缀可能在那里

[lg]+，

• ，真正的单位预计在那里

在这些/*的末尾，斜杠

• 是可选的。

第二部分稍作修改，特别是

在斜杠后，数字可能存在，也可能不存在，即\d*

• this整体是可选的，?

• and不被捕获，?:

我们使用不区分大小写的方法，从M等方面节省一些空间。