python - 正则表达式将唯一字符串提取到新列，出现错误 "look-behind requires fixed-width pattern"

Question

我需要帮助将唯一字符串提取到单独的列中。

df = pd.DataFrame({'File Name':['90.12.21 / 02.05 / XO3 File Name Type', 
                                '10.22.43 / X.89 / XO20G9992 Document Internal Only',
                                'Phase 3',
                                '22.32.42.12 / 99.23 / XO2 Location Site 3: Park Triangle',
                                '38.23.99.22 / X.23 / XO28W9998 Block 4 Beach/Dock Camp',
                                '39.24.32.49 / 37.29 / Blue-print/Register Info Site (RISs)',
                                '23.21.53.32 / Q.21 / XO R9924 Location Place 5: Drive Place (Active)',
                                '   33.51.63.33 / X.21 / XO20W8812 Area Place 1: Beach Drive']}) 

这是数据框目前的样子:

| File Name                                                            |
|----------------------------------------------------------------------|
| 90.12.21 / 02.05 / XO3 File Name Type                                |
| 10.22.43 / X.89 / XO20G9992 Document Internal Only                   |
| Phase 3                                                              |
| 22.32.42.12 / 99.23 / XO2 Location Site 3: Park Triangle             |
| 38.23.99.22 / X.23 / XO28W9998 Block 4 Beach/Dock Camp               |
| 39.24.32.49 / 37.29 / Blue-print/Register Info Site (RISs)           |
| 23.21.53.32 / Q.21 / XO R9924 Location Place 5: Drive Place (Active) |
| 33.51.63.33 / X.21 / XO20W8812 Area Place 1: Beach Drive             |

这是我需要的样子:

| File Name                              |
|----------------------------------------|
| File Name Type                         |
| Document Internal Only                 |
|                                        |
| Location Site 3: Park Triangle         |
| Block 4 Beach/Dock Camp                |
| Blue-print/Register Info Site (RISs)   |
| Location Place 5: Drive Place (Active) |
| Area Place 1: Beach Drive              |

这是我尝试的解决方案:

我知道 str.extract(r'')将正则表达式提取到新列中。我也知道在 Regex 中，“正向后视”将从字符串的末尾选择我想要的所有内容。所以我创建了一个正面的后视正则表达式表达式，它捕获了我想要的大部分字符串: https://regexr.com/4t4ll .它仍然不是一个完美的解决方案。

但即使我尝试使用以下代码行提取我的选择: df['File Name'].str.extract(r'((?<=\/ XO\d |XO\d[0-9]\w\d\d\d\d | XO \w\d\d\d\d ).*)') ，我收到一条错误消息:“后视需要固定宽度的模式。”

我需要帮助弄清楚如何使我的正则表达式在 str.extract(r'') 中起作用以及如何让我的 Regex 表达式捕获出现在每个条目末尾的所有字符串？

Answer 1

您可以使用

.*\s/(?:\s+XO[A-Z0-9\s]*\b)?\s+(.+)

见 regex demo .

详情

.* - 除换行符以外的 0+ 个字符，尽可能多

\s - 一个空格

/ - 一个 /字符

(?:\s+XO[A-Z0-9\s]*\b)? - 可选模式:

\s+ - 1+ 个空格

XO - XO

[A-Z0-9\s]* - 0+ 大写字母或数字后跟

\b - 一个词边界

\s+ - 1+ 个空格

(.+) - 第 1 组(str.extract 将返回的内容):除换行符以外的任何 1+ 个字符，尽可能多的

在 Pandas 中，使用

df['Result'] = df['File Name'].str.extract(r'.*\s/(?:\s+XO[A-Z0-9\s]*\b)?\s+(.+)', expand=False).fillna('')

结果:

                                   Result  
0  File Name Type                          
1  Document Internal Only                  
2                                          
3  Location Site 3: Park Triangle          
4  Block 4 Beach/Dock Camp                 
5  Blue-print/Register Info Site (RISs)    
6  Location Place 5: Drive Place (Active)  
7  Area Place 1: Beach Drive