Python 相同的正则表达式，但在熊猫和R

考虑一下这个旨在提取标题的简单正则表达式

（\w[\w-]+）{2，}

在Python（

Pandas

）和R（

stringr

）中运行它会得到完全不同的结果

在

stringr

中，提取工作正常：请参见如何正确解析

'this-is-a-very-nice-test'

library(stringr)
> str_extract_all('stackoverflow.stack.com/read/this-is-a-very-nice-test', 
+                 regex('(\\w[-\\w]+){2,}'))
[[1]]
[1] "stackoverflow"            "stack"                    "read"                     "this-is-a-very-nice-test"

在熊猫中，输出有点令人费解

myseries = pd.Series({'text' : 'stackoverflow.stack.com/read/this-is-a-very-nice-test'})

myseries.str.extractall(r'(\w[-\w]+){2,}')
Out[51]: 
             0
     match    
text 0      ow
     1      ck
     2      ad
     3      st

这里怎么了

---

谢谢

将此部分“{2，}”更改为“{1，}”后，这是预期的工作

输出：

['stackoverflow', 'stack', 'com', 'read', 'this-is-a-very-nice-test']

编辑： python透视图的解释： 重复限定符{m，n}，其中m和n是十进制整数。这个限定符意味着必须有至少m次重复，最多n次

在前面的示例{2，}中，您将m=2和n设置为无穷大，这意味着一个模式应至少重复2次， 但是，如果您将m=1设置为“{1，}”，它将接受一次出现，也就是说，它相当于“+”，即您可以将r'（\w[-\w]+{1，}'替换为（r'（\w[-\w]+）+），并且仍然得到相同的结果，

（\w[-\w]+）{2，}

正则表达式表示：

重复捕获组将只捕获最后一次迭代

请参见，突出显示的子字符串是您在Pandas中使用的值，因为此方法需要“带有捕获组的正则表达式模式”，并返回“一个

DataFrame

，每个匹配一行，每个组一列”

---

与Pandas

extractall

相反，R在其结果中省略所有捕获的子字符串，仅“提取所有匹配项并返回字符向量列表”。

您不也希望看到“com”吗？可能是

myseries.str.extractall（R'（\w[-\w]*）

和

str extract\u all（'stackoverflow.stack.com/read/this-is-a-very-nice-test'，regex（“（\\w[-\\w]*）”）

或have

{1，}

技术上，

myseries.str.extractall（r'（[\w-]+）

给出了您要查找的内容，尽管您无法避免匹配以连字符开头的文本（为了避免这种情况，请使用

r'（\w[\w-]）+）

）谢谢，但我不理解差异！谢谢，我知道我想我的观点是为什么同一个正则表达式返回不同的结果@ℕʘʘḆḽḘ 要使模式在两种环境中都工作，请使用

（\w[\w-]{3，}）

因为这就是您当前模式的含义：提取所有以单词字符开头的单词，然后提取3个或更多的单词或连字符。如果这不是您想要的，并且您需要修复，请告知真正的要求。谢谢！！我不明白捕获的子字符串和匹配之间的区别@ℕʘʘḆḽḘ 捕获的子字符串是与括号中的模式部分匹配的字符串。完整匹配是与整个模式匹配的字符串。请参阅参考。

['stackoverflow', 'stack', 'com', 'read', 'this-is-a-very-nice-test']