正则表达式：包含模式的字符数

Question

我有一个具有以下结构的数据框：

Desc_ORF	ORF
beta-glucosidase	tb512
succinate-semialdehyde dehydrogenase	tb111
probable epoxide hydrolase	tb045

我正在使用这个函数来过滤数据框：

df.set_index('Desc_ORF').filter(regex=pattern, axis=0)

它与我正在尝试的其他模式完美配合，但我无法获得将 Desc_ORF 包含 hydro 的行过滤成 13 个字符的单词的正则表达式模式。

例如：我的代码应该保留行 succinate-semialdehyde dehydrogenase，因为它包含 dehydrogenase，它有 13 个字符并包含模式 hydro .另一方面，过滤器必须丢弃可能的环氧化物水解酶，因为虽然它包含hydro，但单词hydrolase 不是13 个字符。

Desc_ORF	ORF
succinate-semialdehyde dehydrogenase	tb111

我尝试了不同的模式，最后一次尝试是：^(?={13}$)(\b\Shydro\S\b)。使用此模式，我仅按包含 hydro 的单词进行过滤，但无法获得包含 hydro 且长度为 13 个字符的单词。

Answer 1

匹配第二行中的单词的一个选项可能是：

(?<!\S)(?=\S{13}(?!\S))\S*hydro\S*

• (?<!\S) 在左侧断言空白边界
• (?=\S{13}(?!\S)) 断言 13 个非空白字符，后跟空白边界
• \S*hydro\S* 在可选的非空白字符之间匹配hydro

Regex demo

pattern=r"(?<!\S)(?=\S{13}(?!\S))\S*hydro\S*"
df = df.set_index('Desc_ORF').filter(regex=pattern, axis=0)