解决含右括号的目标词在DataFrame句子中匹配索引的正则报错问题

示例数据 #

import pandas as pd
df = pd.DataFrame({
    'sentence': {
        0: 'idontlike)anap:ple.dislike)',
        1: 'welcomet)omyroom.plzcomein',
        2: 'thisis)thetable'
    },
    'target': {
        0: 'like)',
        1: 'come',
        2: 'is)'
    }
})

问题描述 #

需要提取每一行sentence中target词的精确起始索引（允许重复匹配），比如第一行的like)在句子里出现两次，对应索引应为5和20。但使用以下代码时，因部分target包含右括号（正则表达式的特殊元字符），会抛出error: unbalanced parenthesis at position 4错误：

df.apply(lambda x: [m.start() for m in re.finditer(x.target, x.sentence)], axis=1)

要求：禁止用split拆分句子，必须保留句子无空格状态，同时保留target中的右括号。

解决方案 #

右括号是正则的特殊语法字符，直接匹配会被解析成正则规则而非字面字符。只需用re.escape()对target进行转义，将所有正则特殊字符转换为字面量即可：

import re
df['start_indices'] = df.apply(lambda x: [m.start() for m in re.finditer(re.escape(x.target), x.sentence)], axis=1)

验证结果 #

运行后df['start_indices']的输出符合预期：

• 第一行：[5, 20]
• 第二行：[18]
• 第三行：[4]

内容的提问来源于stack exchange，提问作者jmin