Python Pandas 使用正则表达式从包含字符串的列中提取单词

Question

我有这个数据框(列是字符串):

        ORF                                             ORFDesc
3     b1731              succinate-semialdehyde dehydrogenase
4      b234              succinate-semialdehyde dehydrogenase
24    b2780                             L-alanine dehydrogenase
27     b753          methylmalmonate semialdehyde dehydrogenase
29    b1187               pyrroline-5-carboxylate dehydrogenase
...............................................................                                               
1922  b1124                         probable epoxide hydrolase 
1923  b2214                         probable epoxide hydrolase 
1924  b3670                          probable epoxide hydrolase
1925   b134                          probable epoxide hydrolase
2382  b2579    1,3,4,6-tetrachloro-1,4-cyclohexadiene hydrolase

我需要为 'ORFDesc' 的行获取 'ORF' 值，其中包含带有“hydro”但只有 13 个单词人物。我解释一下，字长必须是13个字符，而不是整个描述。

我正在使用

df['IDClass'][df['ORFDesc'].str.contains("hydro", na=False)]

为了匹配包含“hydro”的行，但我需要拒绝长度为 != 13 的行。

我想使用正则表达式，这样我就可以创建一个新的列“单词”，例如:

ORF                                             ORFDesc                word
3     b1731              succinate-semialdehyde dehydrogenase          dehydrogenase
4      b234              succinate-semialdehyde dehydrogenase          dehydrogenase
24    b2780                             L-alanine dehydrogenase        dehydrogenase
27     b753          methylmalmonate semialdehyde dehydrogenase           .
29    b1187               pyrroline-5-carboxylate dehydrogenase             .
...............................................................                                               
1922  b1124                         probable epoxide hydrolase         hydrolase 
1923  b2214                         probable epoxide hydrolase         hydrolase 
1924  b3670                          probable epoxide hydrolase        ....
1925   b134                          probable epoxide hydrolase         ..
2382  b2579    1,3,4,6-tetrachloro-1,4-cyclohexadiene hydrolase        .

然后能够通过在“单词”列中使用长度来丢弃行。

会是什么图案？

编辑:

我已经试过了，但还是不行:

pattern = '\b(?=\w*hydro)\w+\b'

Answer 1

你可以使用

\b(?=\w{13}\b)\w*hydro

参见 regex demo

详情

• \b - 单词边界
• (?=\w{13}\b) - 正向前瞻，要求 13 个单词字符立即出现在当前位置的右侧，后跟单词边界
• \w*hydro - 零个或多个单词字符，然后是 hydro。

Python代码:

df['ORF'][df['ORFDesc'].str.contains(r"\b(?=\w{13}\b)\w*hydro", na=False)]