如何使用正则表达式生成哑变量？以reviews列拼写变体提取为例

没问题，这事儿很容易搞定！你之前用str.contains('good')其实只是用了固定字符串匹配，但str.contains()本身就支持正则表达式——默认参数regex=True就是干这个的，刚好能用来匹配good的各种拼写变体。

具体实现步骤 #

1. 构造正则表达式：针对你提到的good、goid、goof，可以用字符类来简化匹配规则，精准覆盖这些拼写错误：

   • go[oi][df]：表示匹配以go开头，第三个字符是o或i，第四个字符是d或f的字符串，完美命中你列出的三个变体。
   • 如果要匹配独立单词（避免误匹配goodness这类包含目标词的长单词），可以加上单词边界\b，变成r'\bgo[oi][df]\b'。

2. 编写代码生成哑变量：

   # 生成名为good_variant的哑变量列
   df['good_variant'] = df['reviews'].str.contains(
       r'\bgo[oi][df]\b',  # 正则匹配模式
       case=False,         # 忽略大小写，可选，根据你的需求调整
       regex=True          # 明确启用正则匹配（默认就是True，写出来更清晰）
   ).astype(int)
   

扩展说明 #

如果之后需要匹配更多拼写变体（比如gud、goood这类），可以轻松扩展正则规则：

• 匹配多个o：用g[o]+[i]?d（允许1个或多个o，可选中间的i）
• 匹配更多字母替换：用g[ou][oi][df]（把o的常见替换u也加入匹配范围）

这样就能灵活应对各种拼写错误的情况啦！

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