Pandas str.extract方法匹配公司法律术语无结果问题咨询

核心错误原因 #

• 正则语法不兼容：Pandas字符串方法基于Python re 模块实现，不支持JavaScript风格的/正则表达式/修饰符写法。你写的/(2&0|Technologies|Inc)/ig会被识别为需要匹配以/开头、以/ig结尾的内容，而legal表中的所有术语都不包含这些字符，自然全部返回NaN。大小写忽略的需求需要通过flags参数传入re.IGNORECASE实现，不能直接写在正则字符串末尾。
• 正则特殊字符未转义：legal表中存在s.a.、GmbH & Co. KGaA这类包含.、&等正则特殊字符的术语，如果不做转义处理，特殊字符会触发正则语义导致匹配异常。
• 匹配逻辑可优化：你当前的逻辑是遍历每家公司、拆分公司名做正则再去匹配legal表，性能较低。更合理的逻辑是提前把legal表的所有术语拼成正则，直接批量匹配companies表的公司名字段。

修复后代码示例 #

import re
import pandas as pd

def format_companies(self, legals, locations):
    # 初始化字段
    self.companies[['base_name', 'location', 'legal']] = ''
    # 转义legal术语中的特殊字符，拼接为正则捕获组
    legal_term_list = legals['legal'].apply(re.escape).tolist()
    legal_pattern = rf'({"|".join(legal_term_list)})'
    # 批量匹配所有公司名中的法律术语，开启忽略大小写配置
    self.companies['legal'] = self.companies['raw'].str.extract(
        legal_pattern,
        flags=re.IGNORECASE,
        expand=False
    )

如果你需要保留原有遍历逻辑，仅修改正则相关代码即可：

# 替换原有正则构造部分
legal_pattern = rf'({"|".join(map(re.escape, row["raw"].split()))})'
# 传入忽略大小写参数
legal = legals['legal'].str.extract(legal_pattern, flags=re.IGNORECASE, expand=False)
# 提取匹配到的术语
matched_legal = legal.dropna().iloc[0] if not legal.isna().all() else ''

内容的提问来源于stack exchange，提问作者giulio di zio