python - 使用 pandas/regex 提取子字符串

Question

我正在尝试使用内置的 pandas 方法 .str.extract 从我导入的数据帧的列中提取子字符串。该列中的条目均遵循以下结构:

x.xx% Test1 Test2 Test3 XYZ|ZYX Oct 2018

所以本质上它总是一个浮点%，后面跟着一个字符串(它并不总是具有相同的单词长度)，后面跟着一个三字母代码，即XYZ或ZYX，后面是一个日期。

我试图从上面的示例中提取 Test1、Test2 和 Test3，这意味着我想去掉开头的百分比，而 XYZ|ZYX 出现的地方我想要消失后的所有内容(包括三字母代码) .

我整个早上都在阅读正则表达式，但我正在努力使用 pandas extract 构建一些代码，这些代码可以准确地提取出我想要的内容。有什么建议么？我得到的最远的是下面的内容，它只显示了开始时的百分比(试图将其分为三类):

.str.extract('(\d\.\d+%.)') 

Answer 1

您可以使用具有前瞻功能的模式来确定何时停止匹配。

([\w\s]+?)(?=\w{3}\|)'

详细信息

(               # first capture group
    [\w\s]+?    # match letters or whitespaces
)
(?=             # lookahead
    \w{3}       # fixed length 3 chars
    \|          # literal `|`
)

<小时/>

s = pd.Series(['x.xx% Test1 Test2 Test3 XYZ|ZYX Oct 2018'])
s.str.extract(r'([\w\s]+?)(?=\w{3}\|)', expand=False)

0     Test1 Test2 Test3 
dtype: object