使用替换运算符中带有命名捕获组的正则表达式从系列的每一行提取单个子字符串。

Question

给予：

1. 熊猫串src系列；
2. 复杂的正则表达式(为了简单起见，让'^(?:\d+ (\w+)|(\w+) \d+)$')可以提取一些单个子字符串(让每个字符串匹配regex)。

目标:获取从源系列中提取子串的熊猫系列(即“列”)。

例如(注意，这是一个简化的例子-在实际情况下，正则表达式更复杂，即很难用单个捕获组将其重写为regex )：

src = pandas.Series(['1 s', '2 ss', 'sss 3', '4 ssss'])  # source data
result = pandas.Series(['s', 'ss', 'sss', 'ssss'])  # need to get

我尝试了使用str.extract的直接解决方案

result = src.str.extract('^(?:\d+ (\w+)|(\w+) \d+)$')

但是它返回带有两个列的DataFrame，其中每一行都有NaN和必需的子字符串：

      0    1
0     s  NaN
1    ss  NaN
2   NaN  sss
3  ssss  NaN

我尝试使用命名捕获组：

result = src.str.extract('^(?:\d+ (?P<field>\w+)|(?P<field>\w+) \d+)$')

但我错了：

sre_constants.error:将组名“字段”重新定义为第2组

我不知道如何解决这个问题当我使用交替运算符..。

下一个问题是:当系列中的字符串与regex不匹配时，如何解决相同的问题？在这种情况下，有必要返回NaN。

更新：我找到了使用str.cat的解决方案

result = src.str.extract('^(?:\d+ (\w+)|(\w+) \d+)$')
result = result[0].str.cat(result[1], na_rep='')

但这需要额外的行动..。因此，我仍然可以找到更优雅的解决方案，而不会改变regex中捕获组的数量。

Answer 1

考虑对字符串的前/后部分使用非捕获组，而只使用一个捕获组。使两个非捕获组(前后)都是可选的。您不会以这种方式检测到错误的行，但它应该可以满足您的需要：

r"^(?:\d+\s+)?(\w+)(?:\s+\d+)?$"

现在，您的真实数据更加复杂。考虑添加一个“查看”零宽度断言，它定义了数据的“正确”结构。这将要求字段是“有效的”，根据您已经拥有的任何正则表达式。你已经做了这项工作，你只需要把(？=.)围绕正则表达式，并将捕获组转换为非捕获组。

接下来，将所有备用情况分离到/capture/after集合中。你已经做过这件事了，你只需要整理一下。

现在用交替的方式将前集和后集统一起来，并且是一个非捕获组.将“捕获”集与交替集合和捕获组统一起来。如果可能，消除冗余(具有相同模式的两个备选方案)。

如果你的regex是这样的：

r"A(B)C|D(E)F|G(H)I|J(K)L"

您可以将其转换为前瞻性模式：

r"(?=A(?:B)C|D(?:E)F|G(?:H)I|J(?:K)L)"

您在“替换”之前创建一个“非捕获”：

r"(?:A|D|G|J)"

和一个非捕获的“后”交替：

r"(?:C|F|I|L)"

最后，捕获“捕获”替换：

r"(C|E|H|K)"

把它们放在一起：

r"(?=A(?:B)C|D(?:E)F|G(?:H)I|J(?:K)L)(?:A|D|G|J)(C|E|H|K)(?:C|F|I|L)"

它可能很难看，您可能希望使用嵌入的注释来记录它，但是它会起作用的。