如何使用正则表达式识别无效模式？

Question

我有一个如下数据集：

import pandas as pd

dic={"ID":[1,2,3,4,5,6],
     "Size":["3-4mm","12mm",math.nan,"1 mm","1mm, 2mm, 3mm","13*18mm"]}
dt = pd.DataFrame(dic)

所以，数据集是：

   ID           Size

   1           3-4mm
   2           12mm
   3           NaN
   4           1 mm
   5           1mm, 2mm, 3mm
   6           13*18mm

在Size 列中，我应该只有 3 个有效模式，并且除了这 3 个之外的任何东西都是无效的。这3种模式如下

1. 3-4mm (int-intmm)
2. NaN
3. 4mm (intmm)

我想知道我怎样才能拥有指定具有无效大小模式的行的ID 的函数？

所以，在我的例子中：

ID

4
5
6

原因是它们的大小格式不正确。 我对解决方案没有偏好，但我想最简单的解决方案来自Regx

Answer 1

使用@CodeManiac 的模式，您可以将其传递给series.str.contains()，并将na 参数作为True 传递，因为它是一个实际的NaN：

dt.loc[~dt.Size.str.contains('^(?:\d+-\d+mm|\d+mm)$',na=True),'ID']

---

3    4
4    5
5    6

详情：

执行中：dt.Size.str.contains('^(?:\d+-\d+mm|\d+mm)$')

0     True
1     True
2      NaN
3    False
4    False
5    False

通过na=True 填写NaN 为True：

dt.Size.str.contains('^(?:\d+-\d+mm|\d+mm)$',na=True)
0     True
1     True
2     True
3    False
4    False
5    False

然后使用反转~ 将True 反转为False，反之亦然，因为我们想要False 值并调用ID 下的ID 列df.loc[]

Answer 2

返回'ID'-s 在'Size' 列中具有无效值的行的函数：

import re  # standard Python regular expressions module
def get_invalid(dt):
     return dt[dt['Size'].apply(lambda r: re.match(r'^\d+-\d+mm|nan|\d+mm$', str(r), re.MULTILINE) is None)]['ID']

输出：

3    4
4    5
5    6
Name: ID, dtype: int64