Python:UserWarning：此模式具有匹配组。要实际获取组，请使用str.extract

我有一个数据帧，我尝试获取字符串，其中列的上包含一些字符串 Df看起来像

member_id,event_path,event_time,event_duration
30595,"2016-03-30 12:27:33",yandex.ru/,1
30595,"2016-03-30 12:31:42",yandex.ru/,0
30595,"2016-03-30 12:31:43",yandex.ru/search/?lr=10738&msid=22901.25826.1459330364.89548&text=%D1%84%D0%B8%D0%BB%D1%8C%D0%BC%D1%8B+%D0%BE%D0%BD%D0%BB%D0%B0%D0%B9%D0%BD&suggest_reqid=168542624144922467267026838391360&csg=3381%2C3938%2C2%2C3%2C1%2C0%2C0,0
30595,"2016-03-30 12:31:44",yandex.ru/search/?lr=10738&msid=22901.25826.1459330364.89548&text=%D1%84%D0%B8%D0%BB%D1%8C%D0%BC%D1%8B+%D0%BE%D0%BD%D0%BB%D0%B0%D0%B9%D0%BD&suggest_reqid=168542624144922467267026838391360&csg=3381%2C3938%2C2%2C3%2C1%2C0%2C0,0
30595,"2016-03-30 12:31:45",yandex.ru/search/?lr=10738&msid=22901.25826.1459330364.89548&text=%D1%84%D0%B8%D0%BB%D1%8C%D0%BC%D1%8B+%D0%BE%D0%BD%D0%BB%D0%B0%D0%B9%D0%BD&suggest_reqid=168542624144922467267026838391360&csg=3381%2C3938%2C2%2C3%2C1%2C0%2C0,0
30595,"2016-03-30 12:31:46",yandex.ru/search/?lr=10738&msid=22901.25826.1459330364.89548&text=%D1%84%D0%B8%D0%BB%D1%8C%D0%BC%D1%8B+%D0%BE%D0%BD%D0%BB%D0%B0%D0%B9%D0%BD&suggest_reqid=168542624144922467267026838391360&csg=3381%2C3938%2C2%2C3%2C1%2C0%2C0,0
30595,"2016-03-30 12:31:49",kinogo.co/,1
30595,"2016-03-30 12:32:11",kinogo.co/melodramy/,0

和另一个带有URL的df

url
003\.ru\/[a-zA-Z0-9-_%$#?.:+=|()]+\/mobilnyj_telefon_bq_phoenix
003\.ru\/[a-zA-Z0-9-_%$#?.:+=|()]+\/mobilnyj_telefon_fly_
003\.ru\/sonyxperia
003\.ru\/[a-zA-Z0-9-_%$#?.:+=|()]+\/mobilnye_telefony_smartfony
003\.ru\/[a-zA-Z0-9-_%$#?.:+=|()]+\/mobilnye_telefony_smartfony\/brands5D5Bbr_23
1click\.ru\/sonyxperia
1click\.ru\/[a-zA-Z0-9-_%$#?.:+=|()]+\/chasy-motorola

我用

urls = pd.read_csv('relevant_url1.csv', error_bad_lines=False)
substr = urls.url.values.tolist()
data = pd.read_csv('data_nts2.csv', error_bad_lines=False, chunksize=50000)
result = pd.DataFrame()
for i, df in enumerate(data):
    res = df[df['event_time'].str.contains('|'.join(substr), regex=True)]

但它会回报我

UserWarning: This pattern has match groups. To actually get the groups, use str.extract.

---

如何修复此问题？

URL中至少有一个正则表达式模式必须使用捕获组。

str.contains

仅为

df['event\u time']中的每一行返回True或False

-- 它不使用捕获组。因此，

UserWarning

正在提醒您 正则表达式使用捕获组，但未使用匹配项

如果要删除

UserWarning

，可以从正则表达式模式中找到并删除捕获组。它们不会显示在您发布的正则表达式模式中，但它们必须存在于您的实际文件中。查找字符类之外的括号

或者，您可以通过放置

import warnings
warnings.filterwarnings("ignore", 'This pattern has match groups')

在调用

str.contains

之前

---

下面是一个简单的示例，演示了问题（和解决方案）：

印刷品

  script.py:10: UserWarning: This pattern has match groups. To actually get the groups, use str.extract.
  df[df['event_time'].str.contains('|'.join(substr), regex=True)]

从正则表达式模式中删除捕获组：

urls = pd.DataFrame({'url': ['g.*']})   

---

避免用户警告。

由于提供了

regex=True

，

子列表将被视为regex，在您的情况下，它包含捕获组（用括号括起来的字符串）

得到警告的原因是，如果要捕获某些内容，则不使用（返回布尔值，具体取决于所提供的模式是否包含在字符串中）

显然，您可以抑制警告，但最好是修复
他们

如果您真的想捕获某些内容，可以转义括号块或使用
 消除警告的另一种方法是更改正则表达式，使其成为匹配组而不是捕获组。这就是
（？：）
符号

因此，如果匹配组为
（url1 | url2）
，则应将其替换为
（？：url1 | url2）
，您应使用
re.escape（yourString）
作为要传递给contains的字符串。
您可以改用。在代码中：

res=df[df['event_time'].str.match（'|'.join（substr），regex=True）]



解释
当正则表达式包含组时，
str.contains
会触发警告，例如在正则表达式
r'foo（bar）
中，
（bar）
部分被视为组，因为它位于括号中。因此，理论上可以从正则表达式中提取

然而，警告首先没有意义，，
包含
应该只“测试序列或索引的字符串中是否包含模式或正则表达式”（）。没有关于提取组的任何内容

在任何情况下，
str.match
都不会抛出警告，目前的警告与
str.contains
几乎相同，只是（1）字符串必须完全匹配，（2）不能从
str.match
中停用regex（
str.contains
有一个
regex
参数来停用它们）
最佳答案。
urls = pd.DataFrame({'url': ['g.*']})