如何从杂乱游戏标题中识别系列名？Python新手指南及搜索词建议

一、精准搜索术语（避开Python数据类型歧义） #

• 「从游戏标题文本提取系列名称 规则匹配 Python」
• 「非结构化文本提取品牌IP 新手 Python」
• 「pandas 清洗游戏标题数据 提取系列名」
• 「正则表达式 匹配游戏系列名 罗马数字 数字」
• 「游戏标题批量提取系列名 Python 实例」

二、新手入门步骤 #

1. 先掌握pandas基础操作 #

作为数据处理的第一步，你需要学会用pandas加载和查看数据集：

• 学会pd.read_csv()读取Kaggle的csv文件
• 用df.head()、df.info()查看数据结构，熟悉标题列（Name）的格式
• 了解df.apply()如何对列批量应用自定义函数

2. 学习基础正则表达式 #

正则是处理混乱文本的核心，重点学这些：

• 匹配固定文本（比如re.escape()处理含特殊字符的系列名）
• 匹配数字（\d+）和罗马数字（IV|V|VI|...）
• 边界匹配（\b）避免部分匹配（比如把"Mario Kart"误判为"Mario"系列）

3. 从简单规则开始迭代 #

不要一开始追求完美，先从常见系列入手，逐步优化：

1. 手动整理10-20个高频游戏系列（比如Super Mario、Pokémon、GTA等）
2. 写规则匹配这些系列名，忽略后面的数字、罗马数字或冒号
3. 对匹配不到的标题先标记为"Other"，后续再补充

三、新手可直接复用的代码示例 #

import pandas as pd
import re

# 1. 加载数据集（替换为你的文件路径）
df = pd.read_csv("vgsales.csv")

# 2. 整理高频游戏系列（按长度倒序，避免短名称优先匹配）
game_franchises = [
    "Super Mario", "Pokémon", "Grand Theft Auto", "The Legend of Zelda",
    "Call of Duty", "Minecraft", "FIFA", "NBA 2K", "Assassin's Creed", "Final Fantasy"
]
game_franchises.sort(key=lambda x: len(x), reverse=True)

# 3. 定义提取系列名的函数
def extract_franchise(title):
    # 统一转为小写，避免大小写干扰
    title_lower = title.lower()
    for franchise in game_franchises:
        # 构建正则：匹配系列名，允许后面跟数字、罗马数字或冒号
        pattern = re.compile(
            r"\b" + re.escape(franchise.lower()) + r"\b(?:\s*(?:\d+|IV|V|VI|VII|VIII|IX|X|:))?",
            re.IGNORECASE
        )
        if pattern.search(title):
            return franchise
    # 未匹配到的归为Other
    return "Other"

# 4. 批量提取系列名到新列
df["Franchise"] = df["Name"].apply(extract_franchise)

# 5. 按系列统计销量（示例）
sales_by_franchise = df.groupby("Franchise")["Global_Sales"].sum().sort_values(ascending=False)
print(sales_by_franchise.head(10))

四、额外建议 #

• 测试优化：先拿100条标题手动标记，对比函数输出，调整正则规则（比如有些系列名在标题末尾，可修改正则匹配位置）
• 简化需求：学校项目不需要覆盖所有小众系列，把80%的高频系列处理好即可
• 工具辅助：用re.findall()查看匹配结果，方便调试正则表达式

内容的提问来源于stack exchange，提问作者Greenwiz29