如何编写正则表达式提取DataFrame列中末尾以-连接的子串

问题分析 #

你写的正则存在3个问题：

1. 仅匹配纯字母组成的-连接串，没有覆盖pwr2、pwr3这类带数字的场景
2. 没有设置捕获组，str.extract要求正则包含至少1个捕获组才会返回匹配内容
3. 没有限制匹配最后一对-连接串，就算匹配成功也可能返回开头的cat-dog这类不符合要求的内容

解决方案 #

调整正则如下即可：

import re
df['col1'].str.extract(r'(\w+-\w+)(?!.*-)', expand=False)

正则说明 #

• \w+：匹配字母、数字、下划线，覆盖你场景里的字母+数字的组合
• (\w+-\w+)：捕获组，匹配由-连接的两段字符串，就是你需要提取的目标结构
• (?!.*-)：负向先行断言，确保当前匹配到的-连接串之后，不会再出现其他-，保证拿到的是整行最后一对符合要求的子串
• expand=False：指定返回Series格式，结果可以直接转成你需要的列表结构

运行后输出结果和你预期完全一致：

['asd-pwr', 'asd-pwr2', 'asd-pwr3']

内容的提问来源于stack exchange，提问作者Zanam