Python Pandas:str.contains使用正则表达式

我有数据帧，我需要用正则表达式过滤它

数据帧：

                  domain                    tag1  
0         ^mail.ru/search                  Сервис   
1             go.mail.ru$              Веб-портал   
2           vk.com/audios              Социальное   
3            vk.com/video              Социальное   
4             vk.com/apps              Социальное   
5                  vk.com              Социальное   
6       ^yandex.ru/search                  Сервис   
7       ^yandex.ru/pogoda                  Сервис   
8             ^yandex.ru$              Веб-портал

我需要得到唯一的域名

我试着用

def get_domain_encoding(df):
    return df[df.domain.str.contains(r'[a-zA-Z0-9-_]+.[a-zA-Z0-9]')]

它还给了我

                   domain                    tag1  
0         ^mail.ru/search                  Сервис      
2           vk.com/audios              Социальное   
3            vk.com/video              Социальное   
4             vk.com/apps              Социальное   
5                  vk.com              Социальное   
6       ^yandex.ru/search                  Сервис   
7       ^yandex.ru/pogoda                  Сервис   
8             ^yandex.ru$              Веб-портал

当我把它改成

def get_domain_encoding(df):
    return df[df.domain.str.contains(r'^[a-zA-Z0-9-_]+.[a-zA-Z0-9]$')]

它返回空的数据帧

如何解决此问题？

您可以尝试以下方法：

df.domain.str.extract('(\w+\.)?(\w+\.\w+)', expand=False)[1]

输出：

0      mail.ru
1      mail.ru
2       vk.com
3       vk.com
4       vk.com
5       vk.com
6    yandex.ru
7    yandex.ru
8    yandex.ru
Name: 1, dtype: object

使用命名组并丢弃“子域”组，进行少量清理，以进行修改：

df.domain.str.extract('(?P<subdomain>\w+\.)?(?P<domain>\w+\.\w+)',expand=False)['domain']

df.domain.str.extract（'（？P\w+\）？（？P\w+\。\w+），expand=False）['domain']

为什么要使用这样的范围<代码>\w。另外，转义句点或将其视为通配符：

\。

如@TheIncorrigible1所述，对第一组使用

[\w-]

，对文字点使用

\。

而不是除换行符以外的任何字符（除非使用了

s

修饰符）。您也可以对第二组使用

[^\W\]

<代码>^[\w-]+\.[^\w\u]$我只需要域，不需要域subdomain@PetrPetrov如果你认为它已经回答了你的问题，请考虑/回答