如何在 python 正则表达式中使用 str.contains 获取所有匹配项？

Question

我有一个数据框，我需要在其中找到与terms匹配的所有可能匹配行。 我的代码是

texts = ['foo abc', 'foobar xyz', 'xyz baz32', 'baz 45','fooz','bazzar','foo baz']
terms = ['foo','baz','foo baz']
# create df
df = pd.DataFrame({'Match_text': texts})
#cretae pattern 
pat = r'\b(?:{})\b'.format('|'.join(terms))
# use str.contains to find matchs
df = df[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 df.Match_text.tolist()]
df['results'] = results

output 是

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

其中， foo baz还与第 6 行以及foo和baz匹配。 我需要获取terms中所有匹配项的行

Answer 1

较长的替代品应该在较短的替代品之前，因此，您需要按长度按降序对关键字进行排序：

pat = r'\b(?:{})\b'.format('|'.join(sorted(terms,key=len,reverse=True)))

结果将是\b(?:foo baz|foo|baz)\b模式。 它将首先尝试匹配foo baz ，然后是foo ，然后是baz 。 如果找到foo baz ，则返回匹配项，然后从匹配项的末尾开始搜索下一个匹配项，因此您不会再次将找到的foo或baz与上一个匹配项匹配。

在“记住正则表达式引擎是急切的”中查看更多信息。

Answer 2

而不是使用正则表达式模式来检查术语的存在，

#create pattern
p = re.compile(pat)

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

尝试像这样在文本中使用简单的术语查找。

#search for each term in the column
results = [[term for term in terms if term in text] for text in df.Match_text.tolist()]

上面的 Output 看起来像这样，

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

注意：此方法存在时间复杂度。