多种形式文本格式上的正则表达式文本清理

Question

我有一个具有多种形式名称的数据框：

JOSEPH W. JASON
Ralph Landau
RAYMOND C ADAMS
ABD, SAMIR
ABDOU TCHOUSNOU, BOUBACAR
ABDL-ALI, OMAR R

对于前三个，规则是最后一句话。对于最后三个或任何带有逗号的单词，第一个单词是姓氏。然而，对于像Abdou Tchousnou这样的名字，我只记住了最后一个词，那就是Tchousnou

预期产量为

JASON
LANDAU
ADAMS
ABD
TCHOUNOU
ABDL-ALI

左边是名字，右边是我想要返回的

str.extract(r'(^(?=[^,]*,?$)[\w-]+|(?<=, )[\w-]+)', expand=False)

有没有办法解决这个问题？当前代码只返回名字，而不是我想要的姓氏

Answer 1

您可以使用此正则表达式提取：

>>> print (df)
                       name
0           JOSEPH W. JASON
1              Ralph Landau
2           RAYMOND C ADAMS
3                ABD, SAMIR
4  ABDOU TCHOUSNOU, BOUBACA
5          ABDL-ALI, OMAR R

>>> df['name'].str.extract(r'([^,]+(?=,)|\w+(?:-\w+)*(?=$))', expand=False)
0            JASON
1           Landau
2            ADAMS
3              ABD
4  ABDOU TCHOUSNOU
5         ABDL-ALI

正则表达式详细信息：

• (：启动捕获组
  • [^,]+(?=,)：匹配1+个非逗号字符
  • |：或
  • \w+：匹配1+个单词字符
  • (?:-\w+)*：匹配-后跟1+个单词字符。匹配此组中的0个或多个
• )：结束捕获组
• (?=,|$)：Lookahead断言前面有逗号或行尾

Answer 2

类似这样的方法会奏效：

(.+(?=,)|\S+$)

• (-启动捕获组#1
• .+(?=,)-在逗号之前获取所有内容
• |-或
• \S+$-在行尾之前获取所有不是空白的内容
• )-末端捕获群#1

https://regex101.com/r/myvyS0/1

Python:

str.extract(r'(.+(?=,)|\S+$)', expand=False)