在 Python 中的 DataFrame 的描述列中查找确切的单词答案

【问题标题】：Finding exact word in description column of DataFrame in Python在 Python 中的 DataFrame 的描述列中查找确切的单词
【发布时间】：2021-01-24 18:40:29
【问题描述】：

我的列表包含一些词，例如：[‘orange’, ‘cool’, ‘app’....]，我想从 DataFrame 的描述列中输出所有这些确切的完整词（如果可用）。

我还附上了带有代码的示例图片。我用了str.findall()，如图所示，它从additional中提取add，从apple中提取app。但是，我不希望那样。它应该只在匹配整个单词时才输出。

【问题讨论】：

标签： python regex pandas findall exact-match

【解决方案1】：

您可以使用修复代码

df['exactmatch'] = df['text'].str.findall(fr"\b({'|'.join(list1)})\b").str.join(", ")

或者，如果您的 list1 字词中有特殊字符，

df['exactmatch'] = df['text'].str.findall(fr"(?<!\w)({'|'.join(map(re.escape, list1))})(?!\w)").str.join(", ")

fr"\b({'|'.join(list1)})\b" 和 fr"(?<!\w)({'|'.join(map(re.escape, list1))})(?!\w)" 创建的模式如下所示

\b(orange|cool|app)\b
(?<!\w)(orange|cool|app)(?!\w)

请参阅regex demo。注意 .str.join(", ") 被认为比 .apply(", ".join) 快。

【讨论】：

谢谢！但是，如果我的文本也有带连字符的单词，例如附加材料，或复数，例如苹果，我怎样才能修改我的搜索，而不是在我的 list1 中有“附加材料和苹果”，但仍然得到输出附加材料和苹果。谢谢！
@ShrestR 试试r"(?<!\w)(" + '|'.join([re.escape(x).replace('\\ ', r'[\s-]') for x in list1]) + r")"
嗨，如何在 pyspark df 中进行相同的精确匹配操作？以下是熊猫： df['exactmatch'] = df['text'].str.findall(fr"(?
@ShrestR 我不太了解 pyspark，我认为您应该使用 pyspark.sql.functions.regexp_replace 之类的 regexp_replace(col, fr"(?s)(?<!\w)({'|'.join(map(re.escape, list1))})(?!\w)|.?", r"\1, ") 并且此值也应替换为 regexp_replace(<the-result-of the previous substitution>, '^(?:, )+|(?:, )+$|(, )+', r'\1')