Python DataFrame文本处理：如何仅匹配完整独立单词？

当前脚本使用Python原生的in运算符做子串包含判断，只要word5是Description字段内容的子串就会触发匹配，因此word5555这类包含word5片段的长字符串也会被判定为命中，不符合你需要「仅匹配完整独立单词」的要求。

要实现独立单词的精准匹配，可以借助正则表达式的单词边界规则实现，不需要修改原有类标签拼接的逻辑，仅替换匹配判断的部分即可。

实现步骤 #

• 导入Python内置的正则表达式标准库re，无需额外安装依赖：

  import re
  

• 用正则的单词边界标记\b构造匹配规则：\b会标记单词的前后分界位置，只有当待匹配词的前后是「非单词字符（空格、标点、句首/句尾）」时才会判定为命中，像word5555中word5的后面是数字（属于单词字符），就不会满足边界匹配条件。
• 用re.escape()处理待匹配的单词，避免单词中存在正则特殊字符时出现匹配异常。

调整后完整代码 #

import re
import pandas as pd

word_list = ['word1', 'word2', 'word3', 'word4']
word_list1 = ['word5']
classe = []

for i in range(0, df.shape[0]):
    classe.append('')
    # 提前将当前行的描述文本转小写缓存，减少重复计算
    desc_content = df["Description"][i].lower()
    
    # 匹配word_list对应Classe1的逻辑，替换为完整单词匹配
    for item in word_list:
        # 构造带单词边界的匹配规则
        match_rule = r'\b' + re.escape(item.lower()) + r'\b'
        if re.search(match_rule, desc_content):        
            if classe[i] != ('') and classe[i] != ('Classe1'):
                classe[i] = classe[i] + ' \\ ' + 'Classe1'
            else:
                classe[i] = 'Classe1'
            
    # 匹配word_list1对应Classe2的逻辑，替换为完整单词匹配
    for item in word_list1:
        match_rule = r'\b' + re.escape(item.lower()) + r'\b'
        if re.search(match_rule, desc_content):           
            if classe[i] != ('') and classe[i] != ('Classe2'):
                classe[i] = classe[i] + ' \\ ' + 'Classe2'
            else:
                classe[i] = 'Classe2'

匹配效果说明 #

• 以下场景会正常触发匹配：word5、hello word5 world、word5!、(word5)
• 以下场景不会触发匹配：word5555、myword5、word5_test、aword5b

内容的提问来源于stack exchange，提问作者S2J