如何提取Diagnosis:或diagnosis:后的3个及以上单词？

问题分析 #

你之前的正则表达式只能匹配单个单词，核心问题在于：

• 限定仅匹配\w+（单个单词），未处理多单词场景
• 用.结尾可能提前截断匹配内容
• 重复定义大小写模式，冗余且不够简洁

正则表达式修改 #

使用以下正则可以匹配diagnosis:（不区分大小写）后3个及以上单词：

r'diagnosis:\s+((?:\w+\s+){2,}\w+)'

• diagnosis:：匹配关键词（后续通过re.IGNORECASE忽略大小写）
• \s+：匹配冒号后的任意数量空格
• (?:\w+\s+){2,}：非捕获组，匹配至少2个"单词+空格"的组合
• \w+：匹配最后一个单词，确保总单词数≥3

完整修改后的代码 #

import re

#@title Extract Diagnosis { form-width: "20%" }

def extract_Diagnosis(clinical_information):
    # 单个正则+忽略大小写，覆盖Diagnosis/diagnosis两种情况
    pattern = r'diagnosis:\s+((?:\w+\s+){2,}\w+)'
    matches = re.findall(pattern, clinical_information, flags=re.IGNORECASE)
    
    # 处理匹配结果：去重、去空格、过滤空值
    valid_diagnoses = [match.strip() for match in matches if match.strip()]
    # 返回第一个有效结果，或者空字符串（可按需调整为返回所有匹配）
    return valid_diagnoses[0] if valid_diagnoses else ""

# 遍历文本列表提取诊断
for index, text in enumerate(texts):
    diagnosis = extract_Diagnosis(text)
    print(diagnosis)
    print("#"*79, index)

代码调整说明 #

1. 简化正则模式：用re.IGNORECASE标志统一处理大小写，无需定义两个重复模式
2. 修复缩进错误：原代码存在缩进混乱问题，已修正为符合Python规范的缩进
3. 结果处理优化：对匹配结果做去空格、过滤空值处理，确保返回有效内容
4. 灵活返回逻辑：如果有多个匹配，返回第一个有效诊断；无匹配则返回空字符串（可根据需求调整为返回所有匹配）

额外优化建议 #

如果诊断文本中包含连字符（如non-small cell lung cancer）或标点（如type 2 diabetes, uncontrolled），可以把正则中的\w+替换为[\w-]+，同时允许匹配结尾的标点：

r'diagnosis:\s+((?:[\w-]+\s+){2,}[\w-]+)(?:[.,;]|$)'

这样可以兼容更多临床文本格式。

内容的提问来源于stack exchange，提问作者Mahshid Nik Ravesh