python - Pandas 与 R 中相同的正则表达式但结果不同

Question

考虑这个旨在提取标题的简单正则表达式

(\w[\w-]+){2,}

在 Python (Pandas) 和 R (stringr) 中运行它会得到完全不同的结果!

在stringr中，提取工作正常:查看如何正确解析'this-is-a-very-nice-test'

library(stringr)
> str_extract_all('stackoverflow.stack.com/read/this-is-a-very-nice-test', 
+                 regex('(\\w[-\\w]+){2,}'))
[[1]]
[1] "stackoverflow"            "stack"                    "read"                     "this-is-a-very-nice-test"

在 Pandas 中，输出有点令人费解

myseries = pd.Series({'text' : 'stackoverflow.stack.com/read/this-is-a-very-nice-test'})

myseries.str.extractall(r'(\w[-\w]+){2,}')
Out[51]: 
             0
     match    
text 0      ow
     1      ck
     2      ad
     3      st

这里出了什么问题？

谢谢!

Answer 1

(\w[-\w]+){2,} 正则表达式表示 repeated capturing group :

The repeated capturing group will capture only the last iteration

请参阅regex demo ，突出显示的子字符串是您在 Pandas 中使用 .extractall 获得的值因为此方法需要“带有捕获组的正则表达式模式”并返回“一个 DataFrame，每个匹配项对应一行，每个组对应一列 em>”。

与 Pandas extractall 相反，R stringr::str_extract_all忽略其结果中的所有捕获的子字符串，并且仅“提取所有匹配项并返回字符向量列表”。