我是正则表达式的初学者,想问一下如何使用正则表达式解决这个问题。目前我正在尝试预处理德语文本。德语的字母表中有一些特定字符(ä、ö、ü)。然而,这些字母也可以用不同的方式书写(ae、oe、ue)。所以我就简单的使用了replace的方法,效果很好。
import pandas as pd
df = pd.DataFrame({"text": ["Uebergang", "euer"]})
df["text"] = df["text"].str.replace("ae", "ä")
df["text"] = df["text"].str.replace("Ae", "Ä")
df["text"] = df["text"].str.replace("oe", "ö")
df["text"] = df["text"].str.replace("Oe", "Ö")
df["text"] = df["text"].str.replace("ue", "ü")
df["text"] = df["text"].str.replace("Ue", "Ü")
但也有一些特定的模式不应该进行替换。就像“euer”这个词一样。在这篇文章的帮助下,我尝试制作一个有效的正则表达式:Regex Pattern to Match, Excluding when... / Except between
df["text"] = df["text"].str.replace("[AaÄäEe]ue|(ue)", "ü")
因此,如果括号 [AaääEe] 中有任何字符,后面跟着“ue”,那么我想排除这些情况。否则“ue”将替换为“ü”。但这行不通,那么该怎么办呢?提前致谢。
最佳答案
您可以使用
import re
import pandas as pd
dct = {'ae' : 'ä', 'Ae' : 'Ä', 'oe' : 'ö', 'Oe' : 'Ö', 'ue' : 'ü', 'Ue' : 'Ü'}
df = pd.DataFrame({"text": ["Uebergang", "euer"]})
df['text'].str.replace(r'[AaÄäEe]ue|([aouAOU]e)', lambda x: dct[x.group(1)] if x.group(1) else x.group())
# => 0 Übergang
# 1 euer
# Name: text, dtype: object
[AaÄäEe]ue|([aouAOU]e)
模式匹配:
[AaääEe]ue
-A
、a
、ä
、ä
、E
或e
后跟ue
子字符串|
- 或([aouAOU]e)
- 第 1 组:a
、o
、u
、A
、O
或U
,然后是e
lambda x: dct[x.group(1)] if x.group(1) else x.group()
lambda 表达式执行以下操作:一旦组 1 匹配, dct[x.group(1)]
将返回替换字符串。否则,找到的匹配项将被粘贴回来。
关于python - 正则表达式:匹配特定模式,如果匹配在特定上下文中则排除,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/51982073/