如何避免多重负前瞻的正则灾难性回溯及Pandas字符串处理

需求 #

当DataFrame的Ruling列字符串满足以下条件时，在末尾添加section 22：

• 字符串包含personal information
• 字符串不包含s. 26、s. 29、s. 33、s. 22、s. 32中的任意一项

示例数据 #

import pandas as pd
df = pd.DataFrame({
    'Order': ['Order90-098','OrderF14-47', 'OrderF13-43', 'Order56-090', 'Order90-098', 'Order78-897'],
    'Ruling': ['foo','personal information', 's. 26 personal information', 'personal information s. 33', 'personal information s. 67', 'personal s. 32 information']})

期望结果 #

df = pd.DataFrame({
    'Order': ['Order90-098','OrderF14-47', 'OrderF13-43', 'Order56-090', 'Order90-098', 'Order78-897'],
    'Ruling': ['foo','personal information section 22', 's. 26 personal information', 'personal information s. 33', 'personal information s. 67 section 22', 'personal s. 32 information']})

问题分析 #

你之前尝试的多重负前瞻正则因结构冗余导致灾难性回溯，而析取式写法未覆盖全局匹配逻辑，导致排除条件失效。

解决方案 #

方案1：修正正则表达式 #

将所有排除项整合到单个负前瞻中，确保检查整个字符串是否包含任何排除项，同时精准匹配目标内容：

import re

df['Ruling'] = df['Ruling'].apply(
    lambda x: re.sub(
        r'^(?!.*(s\. (?:22|26|29|32|33))).*(personal information.*)$',
        r'\1 section 22',
        x,
        flags=re.IGNORECASE
    )
)

• ^(?!.*(s\. (?:22|26|29|32|33)))：负前瞻规则，确保字符串中不存在任何指定的s. xx项
• (personal information.*)$：捕获包含personal information的完整内容，用于替换时追加后缀

方案2：Pandas条件判断（可读性更强） #

避开正则复杂度，直接用Python字符串判断结合Pandasapply实现，逻辑更直观：

exclude_terms = {'s. 26', 's. 29', 's. 33', 's. 22', 's. 32'}

def add_section(text):
    if 'personal information' in text:
        # 检查是否存在任何排除项
        if not any(term in text for term in exclude_terms):
            return text + ' section 22'
    return text

df['Ruling'] = df['Ruling'].apply(add_section)

这种方法无需处理正则匹配的边界问题，代码维护成本更低。

内容的提问来源于stack exchange，提问作者oymonk