在 Python 中使用正则表达式获取特定字符串

Question

我的字符串如下所示：

ART-B-C-ART0015-D-E01
ADC-B-C-ADC00112-V-E01
AEE-B-C-AEE00011-D-E01
AQW-B-C-AQW0013-D-E01
AAZ-B-C-AAZ0014-D-E01
AQQ-B-C-AQQ0032-D-E01
ADD-B-C-D-ADD0001-D-E01
AAA-B-C-AAA0012-D-E01

我想要得到以下结果：预期结果：

ART0015
ADC00112
AEE00011
AQW0013
AAZ0014
AQQ0032
ADD0001
AAA0012

我使用了下面的正则表达式代码，不幸的是，我没有得到预期的结果，因为第 7 条记录不在第三条破折号中。它在第四个破折号中。

df["A"].str.extract(r'^(?:[^-]*-){3}\s*([^-]+)', expand=False)

0     ART0015
1    ADC00112
2    AEE00011
3     AQW0013
4     AAZ0014
5     AQQ0032
6        D
7     AAA0012

Answer 1

通过搜索 3 个字母后跟 4-5 个数字来使用 Series.str.extract：

In [477]: df['col'] = df['col'].str.extract(r'([a-zA-Z]{3}\d{4,5})')

In [478]: df
Out[478]: 
0   ART0015
1  ADC00112
2  AEE00011
3   AQW0013
4   AAZ0014
5   AQQ0032
6   ADD0001
7   AAA0012

Answer 2

从右侧开始计数然后所有代码都在第三个破折号中。你可以做的是反转字符串，然后在得到结果后再次反转它。如果格式不稳定，则寻找其他方法，例如计算破折号之间的代码长度，当它符合要求时，然后接受或打印它。

Answer 3

您可以使用以下正则表达式搜索 7 或 8 个重复的字母数字字符，输出优先级较高：

df['A'] = df['A'].str.extract('-([A-Za-z0-9]{7,8})-')

      A
0   ART0015
1   ADC00112
2   AEE00011
3   AQW0013
4   AAZ0014
5   AQQ0032
6   ADD0001
7   AAA0012

Answer 4

看来您根本不需要正则表达式。为什么不拆分字符串并获取每个字符串的倒数第三个元素：

df["A"].str.split('-').str[-3]

示例：

import pandas as pd

d = {'A': ['ART-B-C-ART0015-D-E01', 'ADC-B-C-ADC00112-V-E01']}
df = pd.DataFrame(data=d)
df['A'] = df["A"].str.split('-').str[-3]

print(df)

打印：

          A
0   ART0015
1  ADC00112

另一种可能的方法是拆分您的字符串和 return 最长的子字符串，如果您的数据在感兴趣的子字符串之后更不规则：

df['A']= df['A'].apply(lambda s: max(s.split('-'), key=len))

如果您必须使用正则表达式并且您的模式看起来像您所展示的那样，那么您还可以使用：

df['A']= df['A'].str.extract(r'([^-]{4,})')

Answer 5

另一种在匹配后查找 2 - 个单独子字符串的方法：

>>> df['A'].str.extract(r'([^-]+)(?:-[^-]*){2}$')
          0
0   ART0015
1  ADC00112
2  AEE00011
3   AQW0013
4   AAZ0014
5   AQQ0032
6   ADD0001
7   AAA0012

在 Python 中使用正则表达式获取特定字符串

Get a specific string with Regex in Python

python

regex

python-2.7

python-3.x

pandas