从pandas中字符串、数字和特殊字符的组合中查找模式

Question

我有一个数据框，如下所示

COURSE_ID
INC-AAB-WW-105614
INC-AAB-DE-234567
INC-AAB-NL-WFT-PA-BS-123489
INC-AAB-NL-WFT-PA-SI-145678-SYS-2020
EXI-WDFT-145678

从这里我只需要取

• 公司部分
• AAB部分
• WW/DE/NL/AU/NW（如图所示），其中有国家代码和
• 6位课程代码105614/234567/123489

对于不是以INC-AAB开头的其余部分，将保持不变。国家代码可在另一个查找表中找到。最后的数据帧看起来是这样的

COURSE_ID
INC-AAB-WW-105614
INC-AAB-DE-234567
INC-AAB-NL-123489
INC-AAB-NL-145678
EXI-WDFT-145678  

Answer 1

熊猫不是我的强项，但也许有些东西在替换功能中使用常规的epxpress

df['COURSE_ID'] = df['COURSE_ID'].str.replace(r'^(INC-AAB-[A-Z]+).*?(-\d{6})\b.*$', r'\1\2')
print(df)

印刷品：

           COURSE_ID
0  INC-AAB-WW-105614
1  INC-AAB-DE-234567
2  INC-AAB-NL-123489
3  INC-AAB-NL-145678
4    EXI-WDFT-145678

---

{}背后的理念是：

• ^-开始线锚
• (INC-AAB-[A-Z]+)-第一个捕获组，包含所需的“INC-AAB-”开头和任何1+大写字符（alpha）
• .*?-0+个字符的延迟匹配，最多为
• (-\d{6})-第二个捕获组，包含您所需的连字符模式和最多6个数字
• \b.*-字边界和0+（贪婪）字符
• $-结束线锚定

我们可以连接所有捕获组以获得您想要的结果：

\1\2

请参阅联机demo

Answer 2

下面是另一个使用^{}的选项，用于更简单的正则表达式

如果不以INC开头，则保留df.COURSE_ID，否则^{}正则表达式：

regex = r'(INC-AAB)-(WW|DE|NL|AU|NW).*(\d{6})'

df['COURSE_ID'] = df.COURSE_ID.where(
    ~df.COURSE_ID.str.startswith('INC'),
    df.COURSE_ID.str.extract(regex).dropna().agg('-'.join, axis=1)
)

#            COURSE_ID
# 0  INC-AAB-WW-105614
# 1  INC-AAB-DE-234567
# 2  INC-AAB-NL-123489
# 3  INC-AAB-NL-145678
# 4    EXI-WDFT-145678

Answer 3

请您尝试以下方法：

df['COURSE_ID'] = df['COURSE_ID'].str.replace(r'^(INC-AAB-[A-Z]+-)(?:[A-Z]+-)*(\d+).*', r'\1\2')

• ^(INC-AAB-[A-Z]+-)匹配的子字符串INC-AAB-位于 字符串后跟国家代码和连字符。然后是匹配的 子字符串在组1中捕获（由\1引用）
• (?:[A-Z]+-)*匹配被丢弃的可选国家/地区代码
• (\d+)匹配组2中捕获的课程代码（\2）
• .*匹配被丢弃的剩余片段

输出：

           COURSE_ID
0  INC-AAB-WW-105614
1  INC-AAB-DE-234567
2  INC-AAB-NL-123489
3  INC-AAB-NL-145678
4    EXI-WDFT-145678