熊猫在某些字符之前和之后删除文本

Question

我不确定我的头衔是否很棒，所以如果有人有建议，我会接受。

假设我有以下场景：

搜索“哪里”

输入：

<Dave likes cake.> <Dave goes to school.> <Where is dave today, after school?/><I do not know where dave is>
<Cindy reads a book><Where is my shoe asked cindy.><Cindy likes bacon.><Cindy goes to the park.><where did cindy go?>
<Sally drinks wine.><The lake is where I am from commented Sally><Cindy watches day time television while watching the kids.><Cindy makes great sandwiches><where is the sandwich cindy made?>

期望的输出：

<Where is dave today, after school?/><I do not know where dave is>
<Where is my shoe asked cindy.><where did cindy go?>
<The lake is where I am from commented Sally><where is the sandwich cindy made?>

我想保留从包含我正在搜索的短语的另一组字符中的第一个字符开始的所有内容。

我还想删除包含我要查找的短语的第一个字符之前的所有内容，以及删除包含该短语的最后一个字符之后的所有内容。

有什么建议吗？我不确定如何解决这个问题，但我正在考虑使用某种正则表达式，可能会向前/向后看？

编辑#1：上下文添加到我正在做的事情中

这与熊猫有关，因为我将 XML 文件作为文本存储在熊猫数据框内。 XML 文件是一个 SSIS 包，我需要它来搜索特定的单词和短语。

我做了一个连接来将所有的 xml 连接成 1 行。

编辑#2：更多上下文

我在查看的 XML 数据中遇到了多行 SQL 语句的问题，这就是我在 1 行中使用 ' '.join 的原因。

如果我要查找的是多行 SQL 语句的一部分，我不仅需要找到 XML 中的位置，还需要返回所有 SQL 语句。

编辑#3：

这个解决方案（由下面的另一个用户提供）解决了这个问题，但它只返回第一个实例。如果有人有返回所有实例的解决方案，我会将答案标记为已解决。

有效但只返回第一个实例的解决方案：

df.text.str.extract(r'(?i)(<[^<]*?where[^>]*?>)')

                                               0
0          <Where is dave today, after school?/>
1                <Where is my shoe asked cindy.>
2  <The lake is where I am from commented Sally>

编辑#4：返回所有匹配项

提供我的解决方案的用户提到使用findall 而不是extract 来返回所有行。

现在已经 100% 解决了。

Answer 1

使用str.extract:

df.text.str.extract(r'(?i)(<[^<]*?where[^>]*?>)')

                                               0
0          <Where is dave today, after school?/>
1                <Where is my shoe asked cindy.>
2  <The lake is where I am from commented Sally>

正则表达式解释：

(?i)                        # Case insensitive matching
(                           # Start of matching group
  <                         # matches the < character
  [^<]                      # matches anything that's *not* <
  *?                        # matches zero-unlimited times
  where                     # matches the substring where
  [^>]                      # matches anything that's *not* >
  *?                        # matches zero-unlimited times
  >                         # matches >
)                           # end of matching group

Answer 2

解决方案可能如下：

import re

a ='<Dave likes cake.> <Dave goes to school.> <Where is dave today, after school?/>'
b ='<Cindy reads a book><Where is my shoe asked cindy.><Cindy likes bacon.><Cindy goes to the park.>'
def find_where(str):
    mylist =str.split('<')
    r = re.compile(".*[W,w]here")
    newlist = list(filter(r.match, mylist)) # Read Note
    finallist = ['<'+x for x in newlist]
    return finallist[0]

如果您随后将该函数应用于您的字符串之一：

new_a = find_where(a)

并打印你的结果，你得到你的输出：

'<Where is dave today, after school?/>'

假设您发布的字符串是数据框列的元素（正如您的标题所暗示的那样），您可以照此进行，以应用于您的数据框：

df.mycolumn = df.mycolumn.apply(find_where)