re.IGNORECASE标志在pandas .str.extract中失效问题求助

你遇到的问题核心在于：str.extract 配合 re.IGNORECASE 确实能忽略大小写匹配文本，但它返回的是原字符串中的原始大小写内容；而 map 方法是严格区分大小写的，比如提取出的 "Cocktails" 和字典中的 "cocktails" 会被判定为不同的键，导致映射失败返回 NaN。

下面提供两种高效的解决方式：

方法一：向量化处理（推荐，适合大数据量） #

将提取结果和字典键统一为相同大小写（比如全小写），再进行映射：

import re
import pandas as pd

test_data = {
    "first_name": ['Bruce', 'Clark', 'Bruce', 'James', 'Nanny', 'Dot'],
    "last_name": ['Lee', 'Kent', 'Banner', 'Bond', 'Mc Phee', 'Cotton'],
    "title": ['mr', 'mr', 'mr', 'mr', 'mrs', 'mrs'],
    "text": ["He is a Kung Fu master", "Wears capes and tight Pants", "Cocktails shaken not stirred", "angry Green man", "suspect scottish accent", "East end legend"],
    "age": [32, 33, 28, 30, 42, 80]
}
df = pd.DataFrame(test_data)

category_dict = {
                 "Kung Fu":"Martial Art", 
                 "capes":"Clothing", 
                 "cocktails": "Drink", 
                 "green": "Colour", 
                 "scottish": "Scotland", 
                 "East": "Direction"
                 }

# 1. 构建小写键的映射字典
lower_case_dict = {k.lower(): v for k, v in category_dict.items()}
# 2. 转义字典键中的特殊字符，避免正则错误
escaped_keys = [re.escape(k) for k in category_dict.keys()]

df['category'] = (
    df['text'].str.extract(
        fr"\b({'|'.join(escaped_keys)})\b",
        flags=re.IGNORECASE)[0]
    # 3. 将提取结果转为小写，和字典键匹配
    .str.lower()
    .map(lower_case_dict)
)

print(df)

方法二：逐行匹配（直观易读，适合小数据集） #

用 apply 遍历每行文本，直接通过正则忽略大小写匹配字典键：

import re
import pandas as pd

test_data = {
    "first_name": ['Bruce', 'Clark', 'Bruce', 'James', 'Nanny', 'Dot'],
    "last_name": ['Lee', 'Kent', 'Banner', 'Bond', 'Mc Phee', 'Cotton'],
    "title": ['mr', 'mr', 'mr', 'mr', 'mrs', 'mrs'],
    "text": ["He is a Kung Fu master", "Wears capes and tight Pants", "Cocktails shaken not stirred", "angry Green man", "suspect scottish accent", "East end legend"],
    "age": [32, 33, 28, 30, 42, 80]
}
df = pd.DataFrame(test_data)

category_dict = {
                 "Kung Fu":"Martial Art", 
                 "capes":"Clothing", 
                 "cocktails": "Drink", 
                 "green": "Colour", 
                 "scottish": "Scotland", 
                 "East": "Direction"
                 }

def match_category(text):
    for key, cat in category_dict.items():
        # 用re.search忽略大小写匹配单词边界
        if re.search(rf"\b{re.escape(key)}\b", text, flags=re.IGNORECASE):
            return cat
    return None

df['category'] = df['text'].apply(match_category)

print(df)

• 正则中的 \b 是单词边界，确保匹配的是完整单词（比如不会把 "Green" 和 "Greenery" 混淆）。
• 用 re.escape(key) 转义字典键中的特殊字符（比如 .、* 等），避免正则表达式解析出错。

内容的提问来源于stack exchange，提问作者DECROMAX