python - 正则表达式使用python比较和提取字母字符

Question

您好，我有一个如下所示的数据集:

Format,Message,time
A,ab@1 yl@5 rd@20 pp@40,3
B,bc@1 gn@7 yl@20 ss@25 rd@50, 21
C,cc@1 yl@9 rd@20, 22

我想使用从消息的 yl 和 rd 中提取的数字，然后比较它的数字(例如 yl@5 ---> 5)和时间列的数字。因此，如果第 1 行、第 3 行将与第 5 行和第 20 行进行比较。因此，如果它小于两个元素，它将被分配一个值 g。如果时间为7，则赋值y，如果时间为20及以上，则赋值为r。

所以会这样

Format,Message,time,status
A,ab@1 yl@5 rd@20 pp@40,3,g
B,bc@1 gn@7 yl@20 ss@25 rd@50,21,y
C,cc@1 yl@9 rd@20,22,r

Answer 1

您的问题实际上是一些问题。从“dataframe”标签来看，您似乎是在使用 pandas 执行此操作。您询问的正则表达式可能会增加“yl”和“rd”的数字(如果有的话，我假设它们总是存在)。但是正则表达式通常不进行数学或数值比较，所以这是第三位。

匹配“yl”数值的正则表达式(假设是整数，不是 float ):

r'yl@(\d+)'

您可以将它们提取到单个表达式中，但这会假设它们始终处于相同的顺序，或者成为一个复杂的正则表达式。

为了确保只有 yl@5 被匹配，而像 xyl@5 这样的东西不被匹配，您可以在开头添加一些限制(需要空格或行首) 和结尾(需要空格或行尾):

r'(^|\s)yl@(\d+)($|\s)'

或者，如果您遇到 yl 是 namespace 的情况，例如 a:yl，您也可以添加它:

r'(^|\s)([a-z]+:)?l@(\d+)($|\s)'

然而，这一切只是使用正则表达式语言构建更具体的表达式。我喜欢使用(无从属关系)编写正则表达式的一个非常好的工具是 RegexBuddy，但也有非常好的在线工具，例如 https://regex101.com/ .

在代码示例中基本上按照您的建议使用:

import re
from pandas import DataFrame

df = DataFrame({
    'Format': ['A', 'B', 'C'],
    'Message': ['ab@1 yl@5 rd@20 pp@40', 'bc@1 gn@7 yl@20 ss@25 rd@50', 'cc@1 yl@9 rd@20'],
    'time': [3, 21, 22]
})


def determine_status(row):
    def find(tag, message):
        match = re.search(rf"{tag}@(\d+)", message)
        if match:
            return match.group(1)
        else:
            raise ValueError(f'{tag} not in message.')

    yl = int(find('yl', row['Message']))
    rd = int(find('rd', row['Message']))

    time = int(row['time'])
    if time < yl < rd:
        return 'g'
    if yl <= time < rd:
        return 'y'
    return 'r'


df['status'] = df.apply(determine_status, axis=1)

print(df)

find 函数接受一个标签和一条消息，并使用正则表达式为消息中的标签生成数值。

determine_status 函数就是这样做的 - 它需要来自 DataFrame 的一行，并将使用 Message 和 time 列来确定状态并将其返回。

df.apply 然后用于创建一个新的 status 列，并为 DataFrame 中的每一行填充 determine_status 的结果.

您没有指定您使用的 Python 版本，但如果它是 Python 3.6 之前的版本，您会发现像 f'{tag} 这样的表达式不在消息中。'不会工作 - 相反你会使用类似 '{tag} not in message.'.format(tag=tag).