从CSV读取正则表达式到变量后，如何在Pandas中捕获正则匹配的文本？

我明白你遇到的问题了——从CSV读入正则到字典后，替换文本没问题，但想捕获匹配内容时却找不到结果，核心问题出在正则字符串的解析上，咱们一步步解决：

问题根源 #

你之前用r'{0}'.format(regex)构造正则是踩了坑！从CSV读进来的正则字符串本身已经包含\b这类特殊正则符号，用raw字符串格式化后，会把这些符号转成字面量（比如\b变成匹配退格符或者字面\b），而不是正则里的单词边界，自然匹配不到目标内容。

解决方案 #

1. 修正匹配函数，直接使用正则变量

不要画蛇添足用raw字符串格式化，直接把读进来的正则字符串传给re.findall就行。把你的匹配函数改成这样：

import re

def find_match(regex_pattern, text):
    # 直接用读进来的正则字符串，不需要额外格式化
    matches = re.findall(regex_pattern, str(text))
    return ",".join(matches)

2. 确保CSV读取时正则字符正确保留

如果你的CSV里写的正则是(?i)\b(maine)，读取时要注意反斜杠不要被转义成特殊字符。可以在读取CSV时加上参数：

df_regex = pd.read_csv("your_regex_file.csv", escapechar='\\')

或者保存CSV时把反斜杠写成两个（比如(?i)\\b(maine)），这样读进来后正则里的\b才会被正确识别为单词边界。

3. 优化流程：先捕获匹配，再执行替换

因为替换后原始匹配文本会被覆盖，所以应该先对原始列（df['a']）捕获匹配，再做替换操作。如果有多个正则要处理，可以预编译所有正则提升效率：

# 假设已经从CSV读好regex_replace字典
regex_replace = {
    '(?i)\\b(maine)': 'ME',
    '(?i)\\b(california)': 'CA'
}

# 预编译所有正则，处理大数据量更快
compiled_regexes = [re.compile(regex) for regex in regex_replace.keys()]

def capture_all_matches(text):
    all_matches = []
    text_str = str(text)
    for regex in compiled_regexes:
        matches = regex.findall(text_str)
        all_matches.extend(matches)
    return ",".join(all_matches)

# 第一步：捕获所有匹配的文本
df['matches'] = df['a'].apply(capture_all_matches)

# 第二步：执行替换操作
for regex, replacement in regex_replace.items():
    df["A"] = df["a"].str.replace(regex, replacement, regex=True)

4. 可选：用标志替代内联正则

如果你觉得(?i)这类内联标志麻烦，可以在编译正则时用re.IGNORECASE标志，代码更清晰：

compiled_regex = re.compile(r'\b(maine)', re.IGNORECASE)
matches = compiled_regex.findall(text)

验证测试 #

你可以先单独测试一个正则字符串，确认逻辑没问题：

test_regex = '(?i)\\b(maine)'
test_text = "I live in Maine, not maine."
print(re.findall(test_regex, test_text))  # 应该输出['Maine', 'maine']

如果能得到正确结果，再放到Pandas的apply里就没问题了。

备注：内容来源于stack exchange，提问作者Tomp