正则表达式匹配多列表元素的规则调整需求问询

针对你的两个规则调整需求，我们需要结合正则表达式与代码逻辑来实现（纯正则无法单独完成所有约束，尤其是list1元素去重），具体方案如下：

核心思路 #

1. list1与list2连续匹配：用正则捕获文本中所有list1元素 + 空格 + list2元素的连续组合
2. list3任意位置匹配：单独捕获文本中所有list3的元素，后续与合法的连续对组合
3. list1元素去重：通过代码跟踪已匹配的list1元素，仅保留每个list1元素第一次出现的连续对

实现代码 #

import pandas as pd
import re

# 输入示例DataFrame
df = pd.DataFrame({'text': [
    'zzz zzz chest bike zz zz day zzz',
    'zzz zz west like say zz zzz west bike zzz lay zzz zz zz nest mike zzz'
]})

def process_text(text):
    # 定义目标列表
    list_1 = ['chest', 'test', 'west', 'nest']
    list_2 = ['mike', 'bike', 'like', 'pike']
    list_3 = ['hay', 'day', 'may', 'say']
    
    # 构建各列表的正则匹配串
    list1_pattern = '|'.join(list_1)
    list2_pattern = '|'.join(list_2)
    list3_pattern = '|'.join(list_3)
    
    # 匹配list1与list2的连续对，捕获两个分组
    pair_matches = re.finditer(rf'\b(?P<match_1>{list1_pattern})\s+(?P<match_2>{list2_pattern})\b', text)
    
    # 过滤重复的list1元素，保留首次出现的连续对
    seen_list1 = set()
    valid_pairs = []
    for match in pair_matches:
        match1_val = match.group('match_1')
        if match1_val not in seen_list1:
            seen_list1.add(match1_val)
            valid_pairs.append( (match1_val, match.group('match_2')) )
    
    # 捕获文本中所有list3元素（可选去重）
    list3_matches = list(set(re.findall(rf'\b({list3_pattern})\b', text)))
    
    # 生成最终匹配结果
    result_rows = []
    if not list3_matches:
        # 无list3元素时，仅保留连续对
        for pair in valid_pairs:
            result_rows.append( (pair[0], pair[1], None) )
    else:
        # 每个合法连续对与每个list3元素组合成新行
        for pair in valid_pairs:
            for l3_val in list3_matches:
                result_rows.append( (pair[0], pair[1], l3_val) )
    
    return result_rows

# 应用处理函数并展开结果到多行
df['matches'] = df['text'].apply(process_text)
expanded_df = df.explode('matches').reset_index(drop=True)
expanded_df[['match_1', 'match_2', 'match_3']] = pd.DataFrame(expanded_df['matches'].tolist(), index=expanded_df.index)
expanded_df = expanded_df.drop('matches', axis=1)

# 输出结果
print(expanded_df)

关键说明 #

• 连续匹配正则：rf'\b(?P<match_1>{list1_pattern})\s+(?P<match_2>{list2_pattern})\b' 确保list1与list2元素以空格分隔且为完整单词（\b 匹配单词边界）
• list3匹配正则：rf'\b({list3_pattern})\b' 捕获文本中任意位置的list3完整单词
• 去重逻辑：通过seen_list1集合记录已匹配的list1元素，跳过后续重复的list1条目，满足需求2的约束

测试结果 #

针对你的示例文本，输出结果如下：

1. 第一个文本输出：

2. 第二个文本输出：

内容的提问来源于stack exchange，提问作者user22391597