正则匹配需求：可选第二个变量并避免重复匹配问题

问题说明 #

遍历DataFrame的文本列时，需要用两个列表做正则匹配：

• pull中的元素为必填匹配项
• pull_2中的元素为可选匹配项
• 核心要求：当同时匹配到pull+pull_2的组合时，不能再重复匹配单独的pull元素，避免结果重复

示例数据 #

pull = ['TEST', 'WORK']
pull_2 = ['MATCH', 'FINE']
目标文本：'abc abc abcd abcde abc TEST MATCH abc WORK abc abc TEST FINE abc abcd WORK FINE abc abc WORK MATCH abc TEST'

期望输出 #

[['TEST MATCH'], ['WORK'], ['TEST FINE'], ['WORK FINE'], ['WORK MATCH'], ['TEST']]

当前代码的问题 #

嵌套循环分别遍历pull和pull_2，用{x} {i}?的正则会同时匹配组合项和单独项，导致重复命中（比如TEST MATCH被匹配后，单独的TEST还会被再次匹配），且输出结构不符合预期。

解决方案 #

思路 #

1. 优先匹配所有pull + 空格 + pull_2的组合项
2. 将已匹配到的组合项从原文本中移除，避免后续重复抓取单独的pull元素
3. 再从剩余文本中匹配单独的pull元素
4. 按顺序合并两类结果，保证无重复且和原文本顺序一致

实现代码 #

import re
import pandas as pd

# 示例DataFrame
df = pd.DataFrame({'text': ['abc abc abcd abcde abc TEST MATCH abc WORK abc abc TEST FINE abc abcd WORK FINE abc abc WORK MATCH abc TEST']})

pull = ['TEST', 'WORK']
pull_2 = ['MATCH', 'FINE']

# 构建组合项正则：匹配TEST MATCH/TEST FINE/WORK MATCH/WORK FINE
combined_pattern = re.compile(r'\b(' + '|'.join([f'{x} {y}' for x in pull for y in pull_2]) + r')\b')
# 构建单独项正则：匹配单独的TEST/WORK
single_pattern = re.compile(r'\b(' + '|'.join(pull) + r')\b')

ts = []
for _, row in df.iterrows():
    current_text = row['text']
    # 1. 提取所有组合匹配项
    combined_matches = combined_pattern.findall(current_text)
    # 2. 从文本中移除已匹配的组合项，避免后续重复匹配单独项
    for match in combined_matches:
        current_text = current_text.replace(match, '', 1)
    # 3. 提取剩余文本中的单独匹配项
    single_matches = single_pattern.findall(current_text)
    # 4. 合并结果，每个元素封装为子列表（符合期望格式）
    final_result = [[item] for item in combined_matches + single_matches]
    ts.append(final_result)

# 打印结果
print(ts)

输出结果 #

[[['TEST MATCH'], ['WORK'], ['TEST FINE'], ['WORK FINE'], ['WORK MATCH'], ['TEST']]]

关键细节 #

• 用\b正则边界确保匹配完整单词，避免匹配到包含这些字符串的其他文本（比如TESTING不会被误匹配）
• 用replace(match, '', 1)只替换一次匹配内容，防止误删文本中其他相同的独立内容
• 合并结果时保留原文本中的出现顺序，符合预期输出的排列逻辑

内容的提问来源于stack exchange，提问作者Bill Fraz