Pandas字符串匹配问题：如何完整匹配多词短语？

问题根源 #

你的正则存在两个核心问题：

1. 关键词匹配顺序错误：短关键词red、apple排在长关键词red apple之前，正则引擎会优先匹配短词，导致长短语被拆分捕获。
2. 未处理长短语的优先匹配逻辑：即便有单词边界\b限制，短词先匹配的特性会直接占用长短语的字符位置，让长短语失去匹配机会。

方案1：获取最长匹配（理想输出red apple） #

先将关键词按长度从长到短排序，确保长短语优先被匹配，同时用re.escape()处理关键词避免正则语法冲突：

import re
import pandas as pd

# 模拟你的DataFrame
df_key = pd.DataFrame({'column_name': ['red', 'apple', 'red apple']})
df_main = pd.DataFrame({'Column_name': ['I want red apple']})

# 按关键词长度倒序排序，长关键词优先匹配
sorted_keywords = sorted(df_key['column_name'], key=lambda x: -len(x))
# 构建正则，用re.escape确保关键词按字面匹配
regex = r'\b({0})\b'.format('|'.join(re.escape(kw) for kw in sorted_keywords))
# 执行匹配
df_main['matched'] = df_main['Column_name'].str.findall(regex, flags=re.IGNORECASE)

print(df_main['matched'].tolist())
# 输出：[['red apple']]

方案2：获取所有匹配项（包含red、apple、red apple） #

如果需要同时捕获所有可能的匹配结果，使用正向预查实现重叠匹配，最后去重避免重复结果：

import re
import pandas as pd

df_key = pd.DataFrame({'column_name': ['red', 'apple', 'red apple']})
df_main = pd.DataFrame({'Column_name': ['I want red apple']})

sorted_keywords = sorted(df_key['column_name'], key=lambda x: -len(x))
# 用正向预查实现重叠匹配，捕获所有符合条件的关键词
regex = r'(?=(\b{0}\b))'.format('|'.join(re.escape(kw) for kw in sorted_keywords))
# 提取结果并去重
df_main['matched'] = df_main['Column_name'].str.findall(regex, flags=re.IGNORECASE).apply(lambda x: list(set(x)))

print(df_main['matched'].tolist())
# 输出：[['red apple', 'red', 'apple']]

额外说明 #

• re.escape()的作用：如果关键词包含正则特殊字符（如.、*），该方法会自动转义，确保关键词按字面内容匹配。
• 排序逻辑是核心：必须让长关键词排在前面，否则正则引擎会优先匹配短词，长短语永远无法被捕获。

内容的提问来源于stack exchange，提问作者Bing Shuen