使用正则表达式从文本中提取特定字母并与字典进行比较

Question

我有一个 90% 格式为 AABBB-CCCDDD001 的文本列表。此列表中也有少数文本可能包含

AABBBICS-CCCDDD001 or 
AABBBIGW-CCCDDD001 or 
AABBBRTL-CCCDDD001 or 
AABBBTDZ-CCCDDD001

这些是设备的名称

AA - country code
BBB - site code
CCC - Function code
DDD - Sub Function code.

例如：USNYCRTL-LANDCE001

如果代码 ICS、IGW、RTL 或 TDZ 与文本中的代码匹配，我希望它输出它们各自的数字，为此我创建了一个字典：

ENVIRONMENTCODE = {
    'ICS': '1',
    'IGW': '2',
    'RTL': '3',
    'TDZ': '4'
}

NULLCODE = {
    'NULL': '9'
}

所以，如果文本是：

AABBBICS-CCCDDD001 it should print '1' or 
AABBBIGW-CCCDDD001 it should print '2' or 
AABBBRTL-CCCDDD001 it should print '3' or 
AABBBTDZ-CCCDDD001 it should print '4'

以上示例：USNYCRTL-LANDCE001 应打印“3”，因为 RTL 对应于字典中的数字“3”

现在，对于格式为 AABBB-CCCDDD001 的 90% 的文本，应该打印“9”，因为它应该与键“NULL”配对。此外，可能很少有文本可以包含 AABBBXYZ-CCCDDD001，但我们需要忽略该 XYZ，因为它不在字典中，只考虑字典中的那些。并将该文本也标记为“9”。

我知道可以在这里使用正则表达式，但我正处于学习 python 的早期阶段，而正则表达式似乎对我来说遥不可及。这是我迄今为止尝试过的：

def environmentcode(self):
    idx = self.name.find('-')
    if idx > -1:
        if self.name in ENVIRONMENTCODE:
            return ENVIRONMENTCODE
        else:
            return NULLCODE
    else:
        return "Not Found"

它只打印 NULLCODE 字典，无论文本中是否存在键。谁能帮我解决这个问题。

Answer 1

我们可以使用.find获取码字，如果存在的话，然后使用字典将码字映射到它的码号。我们可以使用字典.get 方法返回缺失或未知码字的空码。如果遇到错误数据，此版本将返回 None：名称不包含 '-'，或者名称在 '-' 之前没有 8 个或 5 个字母。

env_code = {
    'ICS': '1',
    'IGW': '2',
    'RTL': '3',
    'TDZ': '4',
}

null_code = '9'

def get_env_code(name):
    idx = name.find('-')
    if idx == 8:
        # code may be valid
        code = name[idx-3:idx]
    elif idx == 5:
        # code is missing
        code = ''
    else:
        # Bad name
        return None

    return env_code.get(code, null_code)

# test

data = [
    'AABBBICS-CCCDDD001',
    'AABBBIGW-CCCDDD001',
    'AABBBRTL-CCCDDD001',
    'AABBBTDZ-CCCDDD001',
    'USNYCRTL-LANDCE001',
    'AABBBXYZ-CCCDDD001',
    'AABBB-CCCDDD001',
    'BADDATA',
]

for s in data:
    print(s, get_env_code(s))

输出

AABBBICS-CCCDDD001 1
AABBBIGW-CCCDDD001 2
AABBBRTL-CCCDDD001 3
AABBBTDZ-CCCDDD001 4
USNYCRTL-LANDCE001 3
AABBBXYZ-CCCDDD001 9
AABBB-CCCDDD001 9
BADDATA None

---

这是一个更简单的版本，它返回空代码而不是 None 用于错误数据。

def get_env_code(name):
    idx = name.find('-')
    code = name[idx-3:idx] if idx == 8 else ''
    return env_code.get(code, null_code)

Answer 2

如果您只是检查是否在每个测试字符串中找到ENVIRONMENTCODE 的成员，则不需要正则表达式。你可以只使用python关键字in，例如

ENVIRONMENTCODE = {
    'ICS': '1',
    'IGW': '2',
    'RTL': '3',
    'TDZ': '4'
}

NULLCODE = {
    'NULL': '9'
}

def environment_code(test_string, code_dict):
    if '-' not in test_string:
        return 'no dash'
    for code, value in code_dict.items():
        if code in test_string:
            return value
    return NULLCODE['NULL']


to_test = ['AABBBICS-CCCDDD001',
           'AABBBIGW-CCCDDD001',
           'AABBBRTL-CCCDDD001',
           'AABBBTDZ-CCCDDD001']
for test_str in to_test:
    print(environment_code(test_str, ENVIRONMENTCODE))

您的原始代码的问题在于您尝试这样做

test_string in code_dict

它只检查被测字符串和字典中的键之间的完全匹配。

Answer 3

我的建议：

def environmentcode(s):
    if "-" not in s:  #(**)
        return None   #(**)
    h,t=s.split("-")
    code=h.strip()[5:]
    return ENVIRONMENTCODE.get(code,9)   

data="AABBBICS-CCCDDD001 AABBBIGW-CCCDDD001 AABBBRTL-CCCDDD001 AABBBTDZ-CCCDDD001 USNYCRTL-LANDCE001 AABBB-CCCDDD001 something"

for s in data.split():
    print(s,"-->",environmentcode(s))

Output:
AABBBICS-CCCDDD001 --> 1
AABBBIGW-CCCDDD001 --> 2
AABBBRTL-CCCDDD001 --> 3
AABBBTDZ-CCCDDD001 --> 4
USNYCRTL-LANDCE001 --> 3
AABBB-CCCDDD001 --> 9
something --> None

#---------------------------------------------------------
# Filtering text with regex. In this case, (**) not needed.
text="""AABBBICS-CCCDDD001 Alice was beginning to get very tired of sitting by her sister on the bank... AABBBIGW-CCCDDD001 AABBBRTL-CCCDDD001 AABBBTDZ-CCCDDD001 USNYCRTL-LANDCE001 AABBB-CCCDDD001 AABBBXYZ-CCCDDD001 something"""

import re

data= re.findall(r"\b[A-Z]{5,8}-[A-Z]{6}001\b",text)
for s in data:
    print(s,"-->",environmentcode(s))