如何修正网球赛事比分提取代码，确保比分顺序正确？

问题核心 #

提取错误的根源是正则匹配的区间定位偏差，导致误将属于p2的比分提取给p1，或者匹配顺序颠倒。

修正方案 #

• 精准正则分组匹配：通过正则表达式锁定两个选手对应的比分区间，严格遵循需求定义的提取范围：

  1. 捕获D. Altmaier之后、M. Kecmanovic之前的所有数字（含空格）作为p1_score
  2. 捕获M. Kecmanovic之后、末尾非比分内容之前的所有数字（含空格）作为p2_score

• 代码实现：

  import re
  import pandas as pd
  
  def extract_match_scores(match_str):
      # 定义正则模式，分组匹配目标比分
      pattern = r'D\. Altmaier\s+([\d\s]+)\s+M\. Kecmanovic\s+([\d\s]+)\s*(?:\[[^\]]+\]|.*)?$'
      match_result = re.search(pattern, match_str)
      if match_result:
          # 清理比分中的冗余空格，输出标准格式
          p1 = ' '.join(match_result.group(1).split())
          p2 = ' '.join(match_result.group(2).split())
          return pd.Series([p1, p2], index=['p1_score', 'p2_score'])
      return pd.Series([None, None], index=['p1_score', 'p2_score'])
  
  # 批量处理DataFrame中的赛事字符串列（假设列名为match_info）
  df[['p1_score', 'p2_score']] = df['match_info'].apply(extract_match_scores)
  

• 关键细节说明：

  • 正则部分(?:\[[^\]]+\]|.*)?$用来匹配比分后的附加信息（如场地、赛事备注），避免干扰核心比分提取
  • split()+join()组合用于清除比分中可能存在的连续空格，保证输出格式统一
  • 返回pd.Series可直接批量生成DataFrame的两列结果，提升处理效率

测试验证 #

若输入赛事字符串为："D. Altmaier 4 4 M. Kecmanovic 6 4 [Grand Slam - Center Court]"，执行代码后：

• p1_score 结果为 "4 4"
• p2_score 结果为 "6 4"

内容的提问来源于stack exchange，提问作者Raphael Ambit