如何在python中的正則運算式前瞻/后使用變數？

我有一個從pdf中提取到文本的資料，格式如下：

text =
1
地址行 1
地址行 2
郵編
電話號碼
ID 號碼
日期
2
地址行 1
地址行 2
郵編
電話號碼
ID 號碼
日期
3
地址行 1
地址行 2
郵編
電話號碼
ID 號碼
日期
....

數字 1,2,3 應該是索引。現在我想撰寫一個回圈，為每個索引放入一個資料幀，以及它后面的資訊。所以結果將是一個類似的表格：

我開始撰寫代碼，但我停留在正則運算式部分。如何在前瞻或后視部分中放置一個變數進行迭代？有什么解決辦法嗎？

import re
import pandas as pd

indexes = re.findall(r'(?<=\n)\d{1}(?=\n)', text)
# convert string to integer
for i in range(0, len(indexes)):
    indexes[i] = int(indexes[i])

# extract the data
text
indexes
data = {}
for index in indexes: 
    next_index = index 1 
    index_value = re.search(r'(?<={index}).*(?={next_index})', text).group()
    data[index] = index_value

謝謝！

uj5u.com熱心網友回復：

正則運算式的滑坡：如果你認為你會用正則運算式解決你的問題，你可能很快就會遇到兩個問題。

您的資料更容易決議。每條記錄占用 7 行，您已經知道哪一行包含哪條資料：

first_index = None
data = []
current = {}

for i, line in enumerate(text.split("\n")):
    if first_index is None:
        first_index = i if re.match("\d ", line) else None

    if first_index is None or line == "":
        continue

    delta = (i - first_index) % 7
    if delta == 0:
        current["index"] = int(line)
    elif delta == 1:
        current["Address"] = line
    elif delta == 2:
        current["Address"]  = f" {line}"
    elif delta == 3:
        current["ZipCode"] = line
    elif delta == 4:
        current["PhoneNumber"] = line
    elif delta == 5:
        current["IdNumber"] = line
    elif delta == 6:
        current["Date"] = line
        data.append(current)
        current = {}

df = pd.DataFrame(data)

一個更熊貓的解決方案，再次依賴于文本的每記錄 7 行結構：

from io import StringIO

col_names = ["index", "Address1", "Address2", "ZipCode", "PhoneNumber", "IdNumber", "Date"]
df = (
    pd.read_csv(StringIO(text), header=None)
    # pd.read_csv("data.txt", header=None)   # alternative: read it directly from the file
    .assign(a=lambda x: x.index // 7, b=lambda x: x.index % 7)
    .set_index(["a", "b"])
    .unstack()
    .set_axis(col_names, axis=1)
    .rename_axis(None)
)

a是記錄號（類似于index），b是記錄中行的位置。

這種方法的缺點是所有列都是字串，您必須手動將它們轉換為適當的資料型別。

uj5u.com熱心網友回復：

結合字串格式：

rf'(?<={index}).*(?={next_index})'

>>> import re
>>> index=4
>>> next_index=5
>>> re.search(rf'(?<={index}).*(?={next_index})', '...4something5...')
<re.Match object; span=(4, 13), match='something'>

如果您最終不得不在模式中使用大括號，請將它們加倍：

>>> a="a"
>>> re.search(rf'{a}{{3}}', 'aaaa')
<re.Match object; span=(0, 3), match='aaa'>

uj5u.com熱心網友回復：

采用：

s = pd.read_csv('file.txt', header=None)
is_digit = s[0].str.isdigit()
index = (is_digit & (~is_digit.shift(-1, fill_value=False))).cumsum()
columns = index.groupby(index).cumcount()

new_df = \
s.pivot_table(index=index, 
              columns=columns, 
              aggfunc='first', values=0)\
.set_axis(['index', 'Address 1', 'Address 2',
           'ZipeCode', 'Phone Number', 
           'ID Number', 'Date'], axis=1)

new_df = new_df.assign(Address=new_df['Address 1'].str.cat(new_df['Address 2'], ' '))\
    .drop(['Address 1', 'Address 2'], axis=1)
print(new_df)

  index   ZipeCode  Phone Number  ID Number  Date  \
0                                                   
1     1  Zipe Code  Phone number  ID number  Date   
2     2  Zipe Code  Phone number  ID number  Date   
3     3  Zipe Code  Phone number  ID number  Date  

                         Address  
0                                 
1  Address line 1 Address line 2  
2  Address line 1 Address line 2  
3  Address line 1 Address line 2

標籤：Python 正则表达式 熊猫

上一篇：從檔案路徑中選擇檔案名：無效的perl運算子：(?=

下一篇：節點-如何替換部分url