Python 正则表达式基础、常用函数及 Pandas 应用示例

用 pattern 分开 string。如果在 pattern 中捕获到括号，那么所有的组里的文字也会包含在列表里。如果 maxsplit 非零，最多进行 maxsplit 次分隔，剩下的字符全部返回到列表的最后一个元素。

# 按照';'或者'，'对字符串进行分割

如果分隔符里有捕获组合，并且匹配到字符串的开始，那么结果将会以一个空字符串开始。对于结尾也是一样：

>>> re.split(r'(\W+)', '...words, words...')

re.findall(pattern, string, flags=0)

返回 pattern 在 string 中的所有非重叠匹配，以字符串列表或字符串元组列表的形式。对 string 的扫描从左至右，匹配结果按照找到的顺序返回。空匹配也包括在结果中。返回结果取决于模式中捕获组的数量。

• 如果没有组，返回与整个模式匹配的字符串列表。
• 如果有且仅有一个组，返回与该组匹配的字符串列表。
• 如果有多个组，返回与这些组匹配的字符串元组列表。非捕获组不影响结果。

# 匹配包含所有带有 o 的单词

re.finditer(pattern, string, flags=0)

在 string 里所有的非重复匹配，返回为一个迭代器 iterator 保存了匹配对象。string 从左到右扫描，匹配按顺序排列。空匹配也包含在结果里。

re.sub(pattern, repl, string, count=0, flags=0)

返回通过使用 repl 替换在 string 最左边非重叠出现的 pattern 而获得的字符串。如果样式没有找到，则不加改变地返回 string。

repl 可以是字符串或函数；如为字符串，则其中任何反斜杠转义序列都会被处理。如果 repl 是一个函数，那它会对每个非重复的 pattern 的情况调用。这个函数只能有一个匹配对象参数，并返回一个替换后的字符串。

可选参数 count 是要替换的最大次数；count 必须是非负整数。如果省略这个参数或设为 0，所有的匹配都会被替换。

def dashrepl(matchobj):
    ...

re.escape(pattern)

转义 pattern 中的特殊字符。如果你想对任意可能包含正则表达式元字符的文本字符串进行匹配，它就是有用的。

>>> print(re.escape('https://www.python.org'))

正则表达式与 Pandas 结合

工作中我们常常使用 pandas 读取和操作数据，那么如何结合正则表达式去处理数据呢？

结合自定义函数

# 取出 #后的内容，并去除井号

数据清洗

结合 re.sub 函数可以做数据清洗，替换掉文本中不要的字符。

df['sentence'] = df['sentence'].astype('str').apply(lambda x: re.sub('[0-9+,，.。…、''^_?:：''""（）();;【】!！*？]+', '', x))

正则表达式工具

推荐几个可视化的正则表达式学习工具。

• https://github.com/CJex/regulex