Jupyter Notebook中Regex大小写敏感标识(?-i)失效问题求助

报错原因 #

你使用的正则表达式中的(?-i)是PCRE引擎支持的内联大小写修饰符，但Python的re引擎（Pandas字符串方法默认使用该引擎）对该语法兼容性存在问题，尤其是未全局开启忽略大小写匹配的场景下，该修饰符属于冗余内容且可能导致解析错误。

修改后的正则表达式 #

移除原正则中的(?-i)，调整后的正则为：

\b(?:[A-Z][a-zA-Z()\.]*)(?:\s[A-Z][a-zA-Z()\.]*){1,4}

正则说明 #

• \b：匹配单词边界
• [A-Z][a-zA-Z()\.]*：匹配首字母大写，后续可包含大小写字母、括号、点号的单词
• (?:\s[A-Z][a-zA-Z()\.]*){1,4}：匹配1-4个符合前面规则的单词（加上第一个单词，总共2-5个，符合原正则的数量要求）
• 相比原正则，避免了末尾多余的空格匹配

修正后的代码 #

# 先处理空值，避免因NaN引发报错
combined_df['company'] = combined_df['subject_link_text'].fillna('').str.findall(r"\b(?:[A-Z][a-zA-Z()\.]*)(?:\s[A-Z][a-zA-Z()\.]*){1,4}")
# 若需要将匹配到的列表转为字符串格式，可添加以下代码
combined_df['company'] = combined_df['company'].str.join(', ')

额外优化建议 #

如果需要更精准匹配带有常见后缀的公司名称，可使用以下正则：

\b(?:[A-Z][a-zA-Z]*\s)+(?:Ltd\.|Inc\.|Company|Corp\.|Co\.)(?:\s*\([a-z]+\))?

该正则会优先匹配包含Ltd./Inc.等常见公司后缀的名称，同时可兼容后缀后的括号内容（如示例中的(wholesale)）

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