You need to enable JavaScript to run this app. Python复刻R mutate+case_when正则列生成及解决ValueError报错
优惠活动
大模型
产品
解决方案
定价
更多

Python复刻R mutate+case_when正则列生成及解决ValueError报错

报错原因拆解
  • 触发的ValueError根源是把df['text'].str.contains()的返回值直接作为if判断条件:该方法返回的是和DataFrame行数完全一致的布尔Series,不是单个布尔值,Python无法在判断时明确你要取列内任意命中、全部命中还是逐行处理,就会触发“Series真值歧义”的报错。
  • 你要实现的R中mutate + map + case_when的逐行多分支匹配逻辑,可通过pandas的内置能力1:1复刻,严格保留原正则的匹配顺序、提取规则、兜底逻辑。
实现方案(小样本快速调试版)

逐行遍历文本列,按原R的分支优先级顺序匹配,命中即执行对应提取逻辑,完全对齐R的执行效果:

import pandas as pd
import re

# 严格按原R代码的分支顺序定义规则,顺序不可调换,命中即终止后续匹配
rule_chain = [
    # 分支1:匹配数字后接m/M、空格/等号后接数字的场景,提取对应数字
    (
        lambda text: bool(re.search(r'(?<=\d)\s*[Mm](?:\s|=)*\d+', text)),
        lambda text: re.sub(r'[Mm]', '', re.search(r'(?<=\d)\s*[Mm](?:\s|=)*\d+', text).group()).strip()
    ),
    # 分支2:匹配Barr相关的两个两位cm数值区间,计算绝对值差值
    (
        lambda text: bool(re.search(
            r'(?=[^.]*[Bb]arr)[^.]*\s+\d{2}\s*[cm]*\s*(to |-| and)\s*\d{2}\s*[cm]*\s*',
            text,
            flags=re.IGNORECASE
        )),
        lambda text: str(abs(
            int(re.findall(r'\d{2}', re.search(
                r'(?=[^.]*[Bb]arr)[^.]*\s+\d{2}\s*[cm]*\s*(to |-| and)\s*\d{2}\s*[cm]*\s*',
                text,
                flags=re.IGNORECASE
            ).group())[0])
            - int(re.findall(r'\d{2}', re.search(
                r'(?=[^.]*[Bb]arr)[^.]*\s+\d{2}\s*[cm]*\s*(to |-| and)\s*\d{2}\s*[cm]*\s*',
                text,
                flags=re.IGNORECASE
            ).group())[1])
        ))
    ),
    # 分支3:匹配同时含cm、Bar、of/length的分句,提取分句内的数字
    (
        lambda text: bool(re.search(
            r'(?=[^.]*cm)(?=[^.]*[Bb]arr)(?=[^.]*(of |length))[^.]*',
            text
        )),
        lambda text: re.search(
            r'\d+',
            re.search(r'(?=[^.]*cm)(?=[^.]*[Bb]arr)(?=[^.]*(of |length))[^.]*', text).group()
        ).group()
    ),
    # 分支4:匹配分句/换行边界内带small/tiny/tongue/finger + Barr的场景,返回固定值1
    (
        lambda text: bool(re.search(
            r'(\.|^|\n)(?=[^.]*(small|tiny|tongue|finger))(?=[^.]*[Bb]arr)[^.]*(\.|\n|$)',
            text
        )),
        lambda text: "1"
    ),
    # 兜底分支,对应R里的TRUE条件
    (
        lambda text: True,
        lambda text: "Insufficient"
    )
]

# 逐行生成MStage列
df['MStage'] = df['mytext'].apply(
    lambda row_text: next(extract_logic for (match_logic, extract_logic) in rule_chain if match_logic(row_text))
)
实现方案(大样本高性能版)

逐行apply的方式在十万行以上的数据集上性能会偏低,可改用pandas向量化操作+np.select实现,逻辑和上面的规则完全一致,运行速度会快一个数量级:

import numpy as np
import re
import pandas as pd

# 预计算每个分支的匹配掩码
mask1 = df['mytext'].str.contains(r'(?<=\d)\s*[Mm](?:\s|=)*\d+', regex=True)
value1 = df['mytext'].str.extract(r'(?<=\d)\s*[Mm](?:\s|=)*(\d+)')[0]

mask2 = df['mytext'].str.contains(
    r'(?=[^.]*[Bb]arr)[^.]*\s+\d{2}\s*[cm]*\s*(to |-| and)\s*\d{2}\s*[cm]*\s*',
    regex=True,
    flags=re.IGNORECASE
)
extracted_interval = df['mytext'].str.extract(
    r'(?=[^.]*[Bb]arr)[^.]*\s+(\d{2})\s*[cm]*\s*(?:to |-| and)\s*(\d{2})\s*[cm]*\s*'
)
value2 = (extracted_interval[0].astype(int) - extracted_interval[1].astype(int)).abs().astype(str)

mask3 = df['mytext'].str.contains(
    r'(?=[^.]*cm)(?=[^.]*[Bb]arr)(?=[^.]*(of |length))[^.]*',
    regex=True
)
value3 = df['mytext'].str.extract(
    r'(?=[^.]*cm)(?=[^.]*[Bb]arr)(?=[^.]*(of |length))[^.]*?(\d+)'
)[0]

mask4 = df['mytext'].str.contains(
    r'(\.|^|\n)(?=[^.]*(small|tiny|tongue|finger))(?=[^.]*[Bb]arr)[^.]*(\.|\n|$)',
    regex=True
)
value4 = "1"

# 按优先级顺序组合结果,完全对齐R case_when的分支优先级
df['MStage'] = np.select(
    condlist=[mask1, mask2, mask3, mask4],
    choicelist=[value1, value2, value3, value4],
    default="Insufficient"
)
关键注意事项
  • 分支匹配的顺序绝对不能调换,必须和原R代码的优先级保持一致,否则会出现低优先级规则覆盖高优先级匹配的问题。
  • Python的re模块原生支持正则的正向/反向预查语法,和R里开启perl=TRUE的正则行为完全对齐,不需要额外配置。
  • 涉及大小写不敏感的匹配,需要显式传入re.IGNORECASE参数,对应R里的ignore.case=TRUE设置,否则会出现匹配偏差。

内容的提问来源于stack exchange,提问作者Sebastian Zeki

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.26 20:27:04