如何使用 str.contains 在正则表达式中获取模式匹配列表？

Question

我有一个数据框df在Match_text列中有一些文本。 我使用正则表达式\b边界条件将Match_text与terms匹配。 我得到了预期的结果，但我还需要打印与df匹配的模式。 在这种情况下， foo和baz与\b匹配。 我如何也得到这些条款？

texts = ['foo abc', 'foobar xyz', 'xyz baz32', 'baz 45','fooz','bazzar','foo baz']
terms = ['foo','ball','baz','apple']
df = pd.DataFrame({'Match_text': texts})
pat = r'\b(?:{})\b'.format('|'.join(terms))
df[df['Match_text'].str.contains(pat)]

output 是

    Match_text
0   foo abc
3   baz 45
6   foo baz

除了这个 output 我还需要foo, baz,和foo

Answer 1

一种方法是在当前生成的数据框中添加一个新列，该列仅包含匹配的术语，并删除所有其他不匹配的单词：

terms_regex = r'(?:{})'.format('|'.join(terms))
df['Match_terms'] = re.sub(r'\s*\b(?!' + pat1 + r')\S+\b\s*', '', df['Match_text']

在这里要清楚，我用来删除不匹配单词的正则表达式是：

\s*\b(?!(?:foo|ball|baz|apple))\S+\b\s*

这将匹配任何不是您的关键字之一的术语，以及可选的周围空格，并将其替换为空字符串。

Answer 2

有点冗长恕我直言，让我知道它是否符合您的用例：

df['content'] = df[df['Match_text'].str.contains(pat)]
(df
 .dropna()
 .assign(temp = lambda x: x.content.str.split())
 .explode('temp')
 .reset_index()
 .assign(present=lambda x: x.loc[x.temp.isin(terms),'temp'])
 .dropna()
 .drop(['temp','content'],axis=1)
)

 index  Match_text  present
0   0   foo abc      foo
2   3   baz 45       baz
4   6   foo baz      foo
5   6   foo baz      baz

或者，您可以使用一些正则表达式：

   M = df.loc[df['Match_text'].str.contains(pat)]

#create pattern
p = re.compile(pat)

#search for pattern in the column
results = [p.findall(text) for text in M.Match_text.tolist()]

#assign results to a new column
M = M.assign(content = results)

M

        Match_text  content
0        foo abc    [foo]
3        baz 45     [baz]
6        foo baz    [foo, baz]