df (Pandas Dataframe) 有三行。
col_name
"This is Donald."
"His hands are so small"
"Why are his fingers so short?"
我想提取包含“is”和“small”的行。
如果我这样做
df.col_name.str.contains("is|small", case=False)
然后它也捕捉到“他的”——这是我不想要的。
下面的查询是在 df.series 中捕获整个单词的正确方法吗？
df.col_name.str.contains("\bis\b|\bsmall\b", case=False)
【问题讨论】：
标签： python regex pandas dataframe
不，正则表达式 /bis/b|/bsmall/b 将失败，因为您使用的是 /b，而不是 \b，这意味着“单词边界”。
改变它，你就会得到匹配。我建议使用
\b(is|small)\b
至少对我来说，这个正则表达式更快，更易读。请记住将其放在raw string (r"\b(is|small)\b") 中，这样您就不必转义反斜杠。
【讨论】：
r 才能让它工作：有人知道为什么吗？我还没有找到任何引用它..
|char 将其隐含地变成了一个正则表达式，而\b 却没有..
首先，您可能希望将所有内容都转换为小写，删除标点符号和空格，然后将结果转换为一组单词。
import string
df['words'] = [set(words) for words in
df['col_name']
.str.lower()
.str.replace('[{0}]*'.format(string.punctuation), '')
.str.strip()
.str.split()
]
>>> df
col_name words
0 This is Donald. {this, is, donald}
1 His hands are so small {small, his, so, are, hands}
2 Why are his fingers so short? {short, fingers, his, so, are, why}
您现在可以使用布尔索引来查看您的所有目标词是否都在这些新词集中。
target_words = ['is', 'small']
# Convert target words to lower case just to be safe.
target_words = [word.lower() for word in target_words]
df['match'] = df.words.apply(lambda words: all(target_word in words
for target_word in target_words))
print(df)
# Output:
# col_name words match
# 0 This is Donald. {this, is, donald} False
# 1 His hands are so small {small, his, so, are, hands} False
# 2 Why are his fingers so short? {short, fingers, his, so, are, why} False
target_words = ['so', 'small']
target_words = [word.lower() for word in target_words]
df['match'] = df.words.apply(lambda words: all(target_word in words
for target_word in target_words))
print(df)
# Output:
# Output:
# col_name words match
# 0 This is Donald. {this, is, donald} False
# 1 His hands are so small {small, his, so, are, hands} True
# 2 Why are his fingers so short? {short, fingers, his, so, are, why} False
提取匹配行：
>>> df.loc[df.match, 'col_name']
# Output:
# 1 His hands are so small
# Name: col_name, dtype: object
使用布尔索引将这一切变成一条语句：
df.loc[[all(target_word in word_set for target_word in target_words)
for word_set in (set(words) for words in
df['col_name']
.str.lower()
.str.replace('[{0}]*'.format(string.punctuation), '')
.str.strip()
.str.split())], :]
【讨论】：
您的方式（使用 /b）对我不起作用。我不确定你为什么不能使用逻辑运算符和 (&)，因为我认为这就是你真正想要的。
这是一种愚蠢的做法，但它确实有效：
mask = lambda x: ("is" in x) & ("small" in x)
series_name.apply(mask)
【讨论】：
作为讨论的延伸，我想在正则表达式中使用一个变量，如下所示：
df = df_w[df_w['Country/Region'].str.match("\b(location.loc[i]['country'])\b",case=False)]
如果我不输入 \b\b，代码将返回包含苏丹和南苏丹的所有列。而当我使用“\b(location.loc[i]['country'])\b”时，它会返回空数据框。请告诉我正确的用法。
【讨论】：
在"\bis\b|\bsmall\b" 中，反斜杠\b 在传递给正则表达式方法进行匹配/搜索之前被解析为ASCII Backspace。欲了解更多信息，请查看this document about escape characters。本文档中提到，
当存在“r”或“R”前缀时，反斜杠后面的字符将不加更改地包含在字符串中，并且所有反斜杠都保留在字符串中。
因此，有两种选择-
r前缀df.col_name.str.contains(r"\bis\b|\bsmall\b", case=False)
\ 字符 -df.col_name.str.contains("\\bis\\b|\\bsmall\\b", case=False)
如果你想看一个例子，这里是Fiddle
【讨论】：