Python使用正则表达式删除DataFrame中符合特定模式的单词

问题原因 #

你当前的代码存在两个核心问题：

1. 正则表达式仅覆盖了「连续重复单个字母」的场景，且规则书写错误，没有匹配另外两类需要排除的模式
2. 筛选逻辑冗余，不需要通过agg+any的方式跨行判断，直接对目标字符串列做正则匹配即可

正则规则修正 #

我们把三类需要排除的模式合并为一个正则表达式：

• 连续重复单个字母：([a-z])\1+ 捕获单个字母后，匹配该字母连续重复1次及以上的场景
• 连续重复字母对：([a-z]{2})\1+ 捕获两个字母的组合后，匹配该组合连续重复1次及以上的场景
• ABA结构：([a-z])[a-z]\1 匹配首尾相同、间隔1个任意字母的三元组结构
  三类规则用|拼接，且不需要捕获分组的返回结果，所以统一改为非捕获组避免触发分组警告，最终正则为：
  r'(?:([a-z])\1+)|(?:([a-z]{2})\1+)|(?:([a-z])[a-z]\1)'

修正后完整代码 #

import pandas as pd

data = {'Random' : ['helloooo', 'hahaha', 'kebab', 'shsh', 'title', 'miss', 'were', 'laptop', 'welcome', 'pencil']}
df = pd.DataFrame(data)

# 直接对目标列做匹配，取反得到符合要求的行
pattern = r'(?:([a-z])\1+)|(?:([a-z]{2})\1+)|(?:([a-z])[a-z]\1)'
df = df[~df['Random'].str.contains(pattern, regex=True, na=False)].reset_index(drop=True)

print(df)

输出结果 #

Random
0   laptop
1  welcome
2   pencil

完全符合预期，且不会再触发分组警告。

内容的提问来源于stack exchange，提问作者user01