带有正则表达式的熊猫提取函数的行为与正则表达式提取"normal"不同？

Question

我试图通过str.extract方法从pandas数据帧中提取由换行符分隔的1-n行，这些行位于"开始"(本例中为SOMEWORD)和"停止"字(本例为SOME stop word)之间，但失败了，结果只是NaN。以下提供了示例。

我试图在regex101.com的帮助下构建regex，它在那里工作，甚至当我在jupyter笔记本中从regex101..com复制自动生成的示例代码时，它也会像我期望的那样提取行。

带有pandas str.extract函数的示例代码：

testInput = pd.DataFrame({'text': ['nSOMEWORDn---------- nFirstline with some textnSecondline with some textnThirdline 
with some textnSOME STOP WORDn-------------------n']})
pattern = r'(?<=nSOMEWORDn----------n)(w.+?(?=nSOME STOP WORD))'
test = testInput.iloc[0].str.extract(pattern)
test

输出：

text    NaN
Name: 0, dtype: object

regex101.com的示例代码(我只包含链接，这样帖子就不会太长。在网站上，你还可以复制自动生成的代码，它正在工作，并且只提取起始词和终止词之间的行)：https://regex101.com/r/JM6Sgc/1

因此，我的两个问题：

• 为什么我的regex不能使用pandas-str提取函数

• 为什么i不需要在pandas extract函数中转义，而是在regex101站点以及"普通"regex代码中转义？示例模式：

  • 成功提取第一行：
    • pattern=r'(？<=\nOMEWORD\n---------------\n)(\w.+)'
  • 提取第一行并输出NaN失败：
    • pattern=r'(？<=\\nSOMEWORD\\n----------------\n)(\w.+)'

Answer 1

您可以放弃查找并确保匹配换行符，并使用re.DOTALL修饰符(可以设置为内联修饰符(?s))重新定义.行为：

r'(?s)nSOMEWORDn----------n(w.+?)nSOME STOP WORD'

查看regex演示

详细信息

• (?s)-内联re.DOTALL修饰符，使.与包括换行符在内的任何字符匹配
• nSOMEWORDn----------n-文字子字符串，其中n与文字LF字符匹配
• (w.+?)-组1(此值将由str.extract返回)：一个单词char后面跟着1+个字符，尽可能少
• nSOME STOP WORD-一个LF和一个SOME STOP WORD子串