使用 pandas 的优雅正则表达式 - 提取剂量信息

Question

我有一个如下图所示的数据框

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']})

我想从示例数据框中显示的药物列表中提取剂量信息。

虽然我能够达到 90% 的准确率，但我想与您核实一下，我怎样才能以万无一失的方式或稳健的方式做到这一点，以尽量减少捕获不需要的信息

例如，我尝试了以下操作，但它产生了错误的输出

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

最后一行应该是5ML/10ML，但它被分成了两部分（这是不正确的）

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

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。我们同时提取1MG/ML 和10ML，因为它满足我的提示

所以，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)

输出：

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

关于正则表达式：

• 我们至少需要一些数字：\d+

• 空格是可选的\s*

• m 或 c 之类的前缀可能存在 [mc]*

• 预计真正的单位会在那里[lg]+

• 在这些/*的末尾可以选择斜杠

第二部分对此稍作修改，具体

• 斜线后面可能有也可能没有数字，即\d*
• 这整个部分是可选的?
• 不被捕获?:

我们使用不区分大小写来节省M 等的一些空间。