如何从Pandas数据帧中提取正则表达式并与重新查找

Question

当我将所有RegEx表达式存储在HDF5文件中，然后试图通过pandas dataframe提取它们时，我的问题就开始了。在

主要问题是pandas dataframe中存储的RegEx表达式不能与re.findall一起正常工作。更糟糕的是，我在正则表达式中使用了阿拉伯语Unicode。在

为了简化问题，我举了一个例子：

假设将以下文本存储在变量中：

mytext = 'الفئران هم حيوانات غير معمرة لأن معدل استقلابهم مرتفع وضربات قلبهم سريعة'

让我们使用以下RegEx表达式：

^{pr2}$

如果使用代码print(re.findall(pattern_they, mytext))，我们将得到一个包含三个元素的列表：

['هم', 'استقلابهم', 'قلبهم']

现在，如果我们创建一个新模式，其中包括用双引号括起来的pattern_they：

pattern_they_new = "r'([\u0621-\u064a]+\u0647\u0645|\b\u0647\u0645)\b'"

然后在print(re.findall(pattern_they_new, mytext))中使用这个模式，我们得到一个不正确的空列表。在

这里的问题是，我从pandas数据帧中提取的所有RegEx表达式都用双引号括起来，就像pattern_they_new。我在存储RegEx表达式时没有添加双引号；当我从panda dataframe中提取它们时，它们是自动添加的。在

我试图存储不带r'…'的RegEx表达式，但它对re.findall也不起作用。在

我如何解决这个问题？在

注意：这个问题是之前提出的另一个问题的后续： How to store and read RegEx raw strings from pandas dataframe

Answer 1

我找到了一个解决问题的办法，概括如下：

我试图在HDF5中存储RegEx表达式，而不使用r'...'包装它们，但是当我通过pandas dataframe从HDF5中提取它们时，它们没有被视为原始字符串，因此我不能在re.findall中使用它们。相反，我使用了双转义反斜杠，如下所示：

pattern_they = '([\\u0621-\\u064a]+\\u0647\\u0645|\\b\\u0647\\u0645)\\b'

然而，当我从pandas数据帧中提取RegEx时，我得到的结果是：

^{pr2}$

因此，我将replace与re.findall一起使用，效果很好！（我得到了三个元素的列表，正如我在上面的问题帖子中所解释的那样）：

print(re.findall(pattern_they_imported.replace('\\\\', '\\'), mytext))

我想知道为什么我从pandas数据帧中提取的RegEx中的双转义反斜杠变成了四转义反斜杠。不管怎样，我的解决方案是有效的，这对我来说是最重要的。在

Answer 2

对不起，我觉得阿拉伯语很难读，因此很难调试。一般来说，你可以做如下事情：

import re

mytext = "lorem ipsum dolor sit amet"

pattern = r'\b(ipsum)\b'
rx_new = r'{}'.format(pattern)

print(re.findall(rx_new, mytext))

这将正确生成['ipsum']。
你还需要在这里添加原始标志。问题是：为什么？在