python - 使用正则表达式量词python时的关键错误

Question

我试图在 Pandas df 中捕捉指定股票之后的单词。我有几只股票，格式为 $IBM并且我正在设置一个 python 正则表达式模式来搜索每条推文中的 3-5 个单词，如果找到的话。

我的 df 叫 stock_news看起来像这样:

   Word       Count

0  $IBM     10
1  $GOOGL   8  
etc

pattern = ''
for word in stock_news.Word:
    pattern += '{} (\w+\s*\S*){3,5}|'.format(re.escape(word))

但是我的理解是 {}应该是一个量词，在我的情况下匹配 3 到 5 次，但是我收到以下 KeyError :

KeyError: '3,5'

我也试过在 r'{} (\w+\s*\S*){3,5}|' 中使用原始字符串但无济于事。我也尝试在 regex101 上使用这种模式，它似乎在那里工作，但在我的 Pycharm IDE 中不起作用。任何帮助，将不胜感激。

查找代码:

pat = re.compile(pattern, re.I)

for i in tweet_df.Tweets:
    for x in pat.findall(i):
        print(x)

Answer 1

当您构建您的模式时，末尾有一个空的替代项，因此您的模式有效地匹配任何字符串，非匹配文本之前的每个空格。

你需要建立这样的模式

(?:\$IBM|\$GOOGLE)\s+(\w+(?:\s+\S+){3,5})

您可以使用

pattern = r'(?:{})\s+(\w+(?:\s+\S+){{3,5}})'.format(
              "|".join(map(re.escape, stock_news['Word'])))

请注意 f 字符串或格式字符串中的文字花括号必须加倍 .

正则表达式详情

(?:\$IBM|\$GOOGLE) - 一个 non-capturing group匹配任一 $IBM或 $GOOGLE

\s+ - 1+ 个空格

(\w+(?:\s+\S+){3,5}) - 捕获第 1 组(当使用 str.findall 时，只会返回这部分):

\w+ - 1+字字符

(?:\s+\S+){3,5} - 匹配三个、四个或五个 1+ 空格后跟 1+ 个非空格字符的非捕获*组

请注意，非捕获组旨在对某些模式进行分组或量化它们，而不实际为它们匹配的值分配任何内存缓冲区，以便您只能捕获需要返回/保留的内容。