如何使用正则表达式提取Python中的大写字符和字母数字字符？

Question

我目前正在处理一个带有字符串的数据帧。我期待着提取位置和财政年度作为单独的列（系列）。是否有一种使用正则表达式的方法：

Filename                      
KATH FY19 nepal
Nepal BIRATNA FY2020
India DEL   FY18
HQ chennai FiscalYear2020

预期：

Filename                        Location             FiscalYear
KATH FY19 nepal                 KATH                 FY19
Nepal BIRATNA FY2020            BIRATNA              FY2020
India DEL   FY18                DEL                  FY18
HQ chennai FiscalYear2020       chennai              FiscalYear2020

Answer 1

使用下一个正则表达式，您可以获得包含数字的单词，您可以看到它的结果here：

([A-Za-z]+[\d@]+[\w@]*|[\d@]+[A-Za-z]+[\w@]*)

如果要通过正则表达式仅查找大写单词，可以尝试下一个：

\b[A-Z]+\b

在python中：

import re
text = "KATH FY19 nepal Nepal BIRATNA FY2020 India DEL   FY18 HQ chennai FiscalYear2020"    
fy = re.findall(r'([A-Za-z]+[\d@]+[\w@]*|[\d@]+[A-Za-z]+[\w@]*)', text)
loc = re.findall(r'\b[A-Z]+\b', text)
print(fy, loc)

输出：

['FY19', 'FY2020', 'FY18', 'FiscalYear2020'] ['KATH', 'BIRATNA', 'DEL', 'HQ']

但在您的示例中，这将选择HQ作为一个位置，因此我将采用更智能的方法，例如使用spacy库实体识别来验证位置或仅获取位置

import spacy

nlp = spacy.load('en_core_web_md')
doc = nlp(text)

entities = ['GPE']
locations = []
for ent in doc.ents:
   if ent.label_ in entities:
      locations.append(ent.text)