正则实现文本模块前两词及第二个词前三字母匹配的方法

规则落地逻辑 #

需求可通过单条正则覆盖全部命中场景，不需要多层分支判断，核心匹配规则如下：

• 对每个长度≥3的目标多词模块，仅取前两个词作为匹配锚点
• 第一个词要求完整匹配
• 第二个词仅要求前3个字母匹配，后续字符任意（包括无后续字符，即3字母缩写场景）
• 匹配时忽略大小写，两个词之间要求有空白字符分隔，增加单词边界避免跨词、子串误匹配

单条正则可同时覆盖三类命中场景：

• 文本包含完整目标模块（如beach vibe some）
• 文本仅包含模块前两个完整词（如beach vibe）
• 文本中第二个词为3字母缩写形式（如beach vib、floating pow）

正则构造方式 #

对每个目标模块，按如下模板生成正则：

1. 拆分模块得到前两个词word1、word2
2. 拼接得到正则片段：rf'\b{re.escape(word1)}\s+{re.escape(word2[:3])}\w*\b'

• 加入re.escape()是为了兼容目标词含正则特殊字符（如.、*）的场景，避免语法报错
• 若需要避免长词误匹配（比如不想把vibration匹配为vibe），可将\w*替换为{0, len(word2)-3}，限制第二个词的最大长度

优化后实现代码 #

提前预编译所有目标模块的正则，避免逐行计算的性能损耗，代码如下：

import pandas as pd
import re

d = {
    "customerId": [1, 1, 1, 3, 3],
    "text": ["please use beach vibe some",
             "you should use beach vibe",
             "right use beach vib",
             'use floating pow',
             'use floating stuff right now'],
     "element": ['beach vibe some', 'beach vibe some', 'beach vibe some', 'floating power', 'floating stuff']
}
df = pd.DataFrame(data=d)
df['code'] = df['element'].astype('category').cat.codes

# 预生成正则与编码的映射，避免重复计算
element_patterns = []
for ele in df['element'].unique():
    words = ele.split()
    word1, word2 = words[0], words[1]
    pattern = rf'\b{re.escape(word1)}\s+{re.escape(word2[:3])}\w*\b'
    target_code = df.loc[df['element']==ele, 'code'].iloc[0]
    element_patterns.append( (re.compile(pattern, re.IGNORECASE), target_code) )

def match_target(text):
    for pattern, code in element_patterns:
        if pattern.search(text):
            return code
    return 999 # 无匹配时的默认值

df['test'] = df['text'].apply(match_target)
print(df)

运行结果 #

输出与预期完全一致：

customerId                          text          element  code  test
0           1    please use beach vibe some  beach vibe some     0     0
1           1     you should use beach vibe  beach vibe some     0     0
2           1           right use beach vib  beach vibe some     0     0
3           3              use floating pow   floating power     1     1
4           3  use floating stuff right now   floating stuff     2     2

内容的提问来源于stack exchange，提问作者Pyyyyt