时间戳

首页 > 解决方案 > 如何将条件添加到正则表达式中？

python - 如何将条件添加到正则表达式中？

问题描述

我一直在到处搜索，但还没有找到任何解决方案……例如，我的数据框中有一个名称列表，例如：Penelope Deans、Corinne M. Percell、Sally Seaborn、Tereasa T. Aranda 和很快。我目前的正则表达式是

^[A-Z][a-z]+,?\s+(?:[A-Z][a-z]*\.?\s*)?[A-Z][a-z]+

抓住了大部分的名字。但是，在数据框中，我也有类似“XXX 的许可房地产，YYY 的数字营销人员”之类的行。并且上面的 Regex 还抓住了“有执照的房地产”和“数字营销商”。我只想选择只有名称的行，我该怎么做？我可以以某种方式编写正则表达式以不捕捉任何包含“at”一词的单词吗？

+++

所以我正在处理只有一列和多行的数据框，数据框如下所示：

lst = [Penelope Deans, 1/1/2020, Digital Marketer at XXX, Corinne M. Percell, 1/1/2020, Tereasa T., Licensed Real Estate at YYY]

df = pd.DataFrame(lst)

df

    Info 
0  Penelope Deans 
1  1/1/2020 
2  Digital Marketer at XXX 
3  Corinne M. Percell 
4  1/1/2020 
5  Tereasa T. 
6  Licensed Real Estate at YYY

name_pat = r"^[A-Z][a-z]+,?\s+(?:[A-Z][a-z]*\.?\s*)?[A-Z][a-z]+"
df['Info'].str.findall(name_pat)

输出是

    Info 
0  Penelope Deans 
1  []
2  Digital Marketer
3  Corinne M. Percell 
4  [] 
5  Tereasa T. 
6  Licensed Real Estate

我期待：

    Info 
0  Penelope Deans 
1  []
2  []
3  Corinne M. Percell 
4  []
5  Tereasa T. 
6  []

标签： pythonregex

解决方案

关键是决定什么决定一个值是一个名字，什么不是。

从您的示例中，似乎'Penelope Deans','Corinne M. Percell'和'Tereasa T.'是名称，而'1/1/2020'不是（因为它有数字和斜杠），'Digital Marketer at XXX'也不是，因为它遵循模式<namelike> at <namelike>。

请注意，根据这些规则'John at Smith'也不会是名称。但是由于“at”在英语中不是一个普通的贵族助词，它应该可以工作，而且您并不希望专门涵盖外国名称（即使那样，名称中的“at”也很少见）。

使用正则表达式的 Python 解决方案：

import pandas as pd

lst = [
    'Penelope Deans', '1/1/2020', 'Digital Marketer at XXX', 'Corinne M. Percell', 
    '1/1/2020', 'Tereasa T.', 'Licensed Real Estate at YYY'
]

df = pd.DataFrame(lst)

df = df[df[0].str.match('^((?! at )[A-z\s\.])+$')]

print(df)

结果：

                    0
0      Penelope Deans
3  Corinne M. Percell
5          Tereasa T.

推荐阅读