regex - 如何以编程方式学习正则表达式？

Question

我的问题是this one的延续。基本上，我有一个像这样的单词表:

HAT18178_890909.098070313.1
HAT18178_890909.098070313.2
HAT18178_890909.143412462.1
HAT18178_890909.143412462.2

就我的目的而言，这组名称不需要终端 .1 或 .2。我可以手动编写以下正则表达式(使用 Python 语法):

r = re.compile('(.*\.\d+)\.\d+')

但是，我不能保证我的下一组名称将具有类似的结构，其中最后 2 个字符将被丢弃 - 它可能是 3 个字符(即 .12)，并且分隔符可能会更改以及(即 . 到 _)。

显式学习正则表达式或确定哪些字符是不必要的适当方法是什么？

Answer 1

这是一个有趣的问题。

X                                  y
HAT18178_890909.098070313.1        HAT18178_890909.098070313
HAT18178_890909.098070313.2        HAT18178_890909.098070313
HAT18178_890909.143412462.1        HAT18178_890909.143412462 
HAT18178_890909.143412462.2        HAT18178_890909.143412462

问题在于解决方案不是单一的，而是很多。

即使对于人类来说，也不清楚您想要的正则表达式应该是什么。

根据这些数据，我认为学习的可能性是:

只需匹配固定宽度 25:.{25}

修复了第一部分:HAT18178_890909。

然后:

每个点上只有 2 个不同的数字(如您展示的 2 个案例)。所以例如[01](0 或 1)、[94] 下一个位置等等将是一个很好的解决方案。

最明显的是\d+

但也可能是\d{9}

你看，有多个正确答案。

如果第二点是下划线，这些正则表达式仍然可以工作。

我的结论:

问题在于，为机器学习准备数据比创建正则表达式要多得多的工作。如果您想确保涵盖所有内容，则需要拥有完整的数据，因此正则表达式可能会更省力。