Python 不考虑空格查找正则表达式模式

有字符串（即

pandas

数据帧的行）：

2.5807003.49 9/2020 24,54 4.7103181.69 9/2020 172,05 4.7197189.46 09/2020 172,0 5 4.7861901.25 9/2020 8 9,16

2.5807003.49 10/2020 35,65 4.7103181.69 10/2020 185,50 4.7197189.46 1 0/2020 185,50 4.7861901.25 10/2020 94,32

我需要的是从这些行中提取以下信息（这里逗号是十进制分隔符）：

order\u id日期和

2.5807003.49 09/2020 24,54

4.7103181.69 09/2020 172,05

4.7197189.46 09/2020 172,05

4.7861901.25 09/2020 89,16

2.5807003.49 10/2020 35,65

4.7103181.69 10/2020 185,50

4.7197189.46 10/2020 185,50

4.7861901.25 10/2020 94,32

• 只有4个不同的

  order\u id

  ，它们总是具有相同的结构

• 日期中的月份可以有一位或两位数字
  日期本身可能（也可能不）包含空格！例如
  9/2020
  或
  9/2020
  ，
  10/2020
  或
  10/2020
  
  sum
  总是在
  之后有两个数字，
  但不幸的是，也可能（或不）包含空格：
  24,54
  ，
  172,05
  ，
  185,50
  ，
  94,32
  

我是这样想的： 第一步是拆分订单。 显然，与给定的

订单id

相关的信息由

，

锚定——每行有4个订单和4个逗号。 所以，找到逗号，然后向前走两位数（不考虑空格），最后向后看，直到行的开头或上一个顺序的结尾。

---

但即使在这里，我也被卡住了，因为我不知道如何捕捉逗号后面的两位数字，而不考虑空格（如果有的话）。

一个正则表达式可以用于提供的示例：

(2\.5807003\.49|4\.7103181\.69|4\.7197189\.46|4\.7861901\.25)\s+([\d\s]+\/\d{4})\s+([\d\s]+,[\d\s]+)(?:\s|$)

演示：

或者，如果一年中有一个空间：

(2\.5807003\.49|4\.7103181\.69|4\.7197189\.46|4\.7861901\.25)\s+([\d\s]+\/[\d\s]+)\s+([\d\s]+,[\d\s]+)(?:\s|$)

演示：

输入df

    vals
0   2.5807003.49 9/2020 24,54 4.7103181.69 9 /2020 172,0 5 4.7197189.46 09/2020 172,0 5
1   4.7861901.25 9/2020 8 9,16
2   2.5807003.49 10/2020 35,65 4.7103181.69 10/2020 185,50 4.7197189.46 1 0/2020 185,5 0
3   4.7861901.25 10/2020 94 ,32

现在，由于预期df中的多行组合在原始df中的一行中，因此最好首先将整个

vals

列转换为单个字符串

str1 = "\n".join(df['vals'].values)
str1

2.5807003.49 9/2020 24,54 4.7103181.69 9 /2020 172,0 5 4.7197189.46 09/2020 172,0 5
4.7861901.25 9/2020 8 9,16
2.5807003.49 10/2020 35,65 4.7103181.69 10/2020 185,50 4.7197189.46 1 0/2020 185,5 0
4.7861901.25 10/2020 94 ,32

现在使用

findall

获取所有最终记录。所有三个必需的列都位于单独的捕获组中<代码>订单id是

（[\d\.]+）

。因为它没有空间，所以它是直截了当的<代码>日期是

（\d\s？\d？\s？\/\s？（？：\d\s？{3}\d）

在日期中的任何位置都可以有空格<代码>总和是

[\d\s]+，\s？\d\s？\d）

，逗号后有两位数字

req_vals = re.findall(r'([\d\.]+)\s*(\d\s?\d?\s?\/\s?(?:\d\s?){3}\d)\s*([\d\s]+,\s?\d\s?\d)',str1)
req_vals
[('2.5807003.49', '9/2020', '24,54'),
 ('4.7103181.69', '9 /2020', '172,0 5'),
 ('4.7197189.46', '09/2020', '172,0 5'),
 ('4.7861901.25', '9/2020', '8 9,16'),
 ('2.5807003.49', '10/2020', '35,65'),
 ('4.7103181.69', '10/2020', '185,50'),
 ('4.7197189.46', '1 0/2020', '185,5 0'),
 ('4.7861901.25', '10/2020', '94 ,32')]

最后，在输出数据帧中，可以删除空间

final_df = (pd.DataFrame(req_vals, columns=['order_id', 'date', 'sum'])
            .replace(r'\s', '', regex=True))
final_df

      order_id      date    sum
0   2.5807003.49    9/2020  24,54
1   4.7103181.69    9/2020  172,05
2   4.7197189.46    09/2020 172,05
3   4.7861901.25    9/2020  89,16
4   2.5807003.49    10/2020 35,65
5   4.7103181.69    10/2020 185,50
6   4.7197189.46    10/2020 185,50
7   4.7861901.25    10/2020 94,32

---

使用```用于代码格式``code``我们在

2020

年也可以有空格，例如

2020

，

2020

，

2020

，

2020

？它只能是整个

日期

或

总和

中的一个空格。也就是说，

9/2020

或

9/2020

是可能的，但

0 9/20 0

不是。你应该（重新）阅读问题。1个空格内日期怎么样？