Python 正则表达式-检测重复项

我有一个包含以下数据类型的数据集：

company_id, company_name, country
1, a Tech, germany
2, a Tech AG, germany
3, a Tech gmbh, germany
4, AF, germany
5, AF gmbh, vermany

我已经根据初步搜索将公司id分配给了这些公司，该搜索将id分配给了精确的匹配项。现在，我想做以下工作：

1） 编写一个正则表达式，查找一个公司名称是否与其下面的公司名称完全相同，但第二个公司名称的末尾有后缀“gmbh”

除了正确使用正则表达式背后的逻辑之外，我已经完成了所有工作。例如：

    for next_row in reader:
        first_name = first_row['company_name']
        next_name = next_row['company_name']

        if first_name == next_name:##FIX ME
            #do stuff
        writer.writerow(first_row)
        first_row = next_row

相等性测试的逻辑不应该是first_name==next_name——而是first_name等于last_name加上gmbh

---

如有任何澄清，将不胜感激

我想你想要的是

import re
regx = "([\w\s]+).*\1\s*gmbh"
re.findall(regx,my_target_text,re.MULTILINE)

无论如何都是这样的（我认为\1捕获了regex中的第一个paren…但这部分可能是错误的）

另外，这听起来有点像家庭作业，因为您正在询问如何使用regex，但不太需要使用regex

---

[编辑/注意]这绝不是一个完整的实现，可能需要对正则表达式进行重大调整。。。（但会很相似）

我想你想要的是

import re
regx = "([\w\s]+).*\1\s*gmbh"
re.findall(regx,my_target_text,re.MULTILINE)

无论如何都是这样的（我认为\1捕获了regex中的第一个paren…但这部分可能是错误的）

另外，这听起来有点像家庭作业，因为您正在询问如何使用regex，但不太需要使用regex

[编辑/注意]这绝不是一个完整的实现，可能需要对正则表达式进行重大调整。。。（但将是类似的）

算法

在

名字

字符串中搜索regex

（.*）（\s+AG）

，并将其替换为

\1

。这将为您提供不带

AG

的公司名称

将结果分配给不带\u AG的

first\u name\u

，然后执行此操作：

next\u name==不带\u AG的first\u name\u+'gmbh'

示例实现 算法

在

名字

字符串中搜索regex

（.*）（\s+AG）

，并将其替换为

\1

。这将为您提供不带

AG

的公司名称

将结果分配给不带\u AG的

first\u name\u

，然后执行此操作：

next\u name==不带\u AG的first\u name\u+'gmbh'

示例实现

---

他的例子既有AG又有gmhb

为什么不试试这样的东西呢

for next_row in reader:
    first_name = first_row['company_name']
    next_name = next_row['company_name']
    checkLength = len(first_name)

    if first_name == next_name[:checkLength] :  ##FIX ME
        #do stuff
    writer.writerow(first_row)
    first_row = next_row 

---

这只检查输入的第一个名字的长度，在检查中忽略后缀。

他的示例同时包含AG和gmhb

为什么不试试这样的东西呢

for next_row in reader:
    first_name = first_row['company_name']
    next_name = next_row['company_name']
    checkLength = len(first_name)

    if first_name == next_name[:checkLength] :  ##FIX ME
        #do stuff
    writer.writerow(first_row)
    first_row = next_row 

---

这只检查引入的名字的长度，检查中忽略后缀。

next\u name==first\u name+'gmbh'

？您是否尝试将

first\u name

与

（next\u name+'gmbh'）

进行比较？这是家庭作业吗？既然你说正则表达式。。。但这不需要正则表达式吗？@Eric，我的错是使用了一个坏例子。如果next_name在大多数情况下与first_name plus gmbh相等，那就好了。但更常见的是这样的：公司1:AbegAG。公司2:aBeg GmbH.有没有一种简单的方法来减去“AG”？我不能假设AG前面的空格前只有一个单词，因为有时候AG前面有2、3个或更多的单词……我不明白你在说什么。您是否希望

aBeg AG

后接

aBeg GmbH

？

next\u name==first\u name+'GmbH'

？您是否尝试将

first\u name

与

（next\u name+'GmbH'）

进行比较？这是家庭作业吗？既然你说正则表达式。。。但这不需要正则表达式吗？@Eric，我的错是使用了一个坏例子。如果next_name在大多数情况下与first_name plus gmbh相等，那就好了。但更常见的是这样的：公司1:AbegAG。公司2:aBeg GmbH.有没有一种简单的方法来减去“AG”？我不能假设AG前面的空格前只有一个单词，因为有时候AG前面有2、3个或更多的单词……我不明白你在说什么。您是否希望

aBeg AG

后接

aBeg GmbH

的条件返回true？不是作业。对于工作，帮助我避免了很多手动删除重复项的不愉快。正则表达式在这里并不重要，但了解如何在python中使用正则表达式很有趣。我以前在R中使用过它，这很容易，但还没有机会在Python中使用它。谢谢你的帮助！不是家庭作业。对于工作，帮助我避免了很多手动删除重复项的不愉快。正则表达式在这里并不重要，但了解如何在python中使用正则表达式很有趣。我以前在R中使用过它，这很容易，但还没有机会在Python中使用它。谢谢你的帮助！谢谢你，伙计。在我上面的一个评论中，我也发现了类似的东西。谢谢你。在我上面的一个评论中，我也发现了类似的东西。