带有正则表达式的熊猫提取函数的行为与“正常”正则表达式提取不同？

Question

我尝试通过 str.extract 方法从 Pandas 数据帧中通过换行符提取 1-n 行 splittet，它们位于“开始”（示例中的 SOMEWORD）和“停止”字（示例中的 SOME STOP WORD）之间，但它失败，结果只是 NaN。下面提供了示例。

我试图在 regex101.com 的帮助下构建正则表达式，并且在那里它可以工作，甚至当我在我的 jupyter 笔记本中从 regex101.com 复制自动生成的示例代码时，它也会按照我的预期提取行。

使用 pandas str.extract 函数的示例代码：

testInput = pd.DataFrame({'text': ['\nSOMEWORD\n---------- \nFirstline with some text\nSecondline with some text\nThirdline 

with some text\nSOME STOP WORD\n-------------------\n']})

pattern = r'(?<=\nSOMEWORD\n----------\n)(\w.+?(?=\nSOME STOP WORD))'

test = testInput.iloc[0].str.extract(pattern)

test

输出：

text    NaN

Name: 0, dtype: object

使用 regex101.com 的示例代码（我只包含链接，以便帖子不会太长。在站点上，您还可以复制自动生成的代码，该代码正在工作并且只提取开始词和停止词之间的行）：https ://regex101.com/r/JM6Sgc/1

因此我的两个问题：

• 为什么我的正则表达式不能与 pandas str 提取函数一起使用

• 为什么我不想要跳脱\ n的大熊猫提取功能，但是，regex101网站藏汉在“普通”正则表达式的代码？示例模式：

• 模式 = r'(?<=\\nSOMEWORD\\n---------\\n)(\w.+)'

• 模式 = r'(?<=\nSOMEWORD\n---------\n)(\w.+)'

• 成功提取第一行：

• 无法提取第一行并输出 NaN：

Answer 1

您可以放弃环视并确保匹配换行符并.使用re.DOTALL修饰符重新定义行为（您可以将其设置为内联修饰符，(?s)）：r'(?s)\nSOMEWORD\n----------\n(\w.+?)\nSOME&nbsp;STOP&nbsp;WORD'查看正则表达式演示细节(?s)- 一个内联re.DOTALL修饰符，可以.匹配任何字符，包括换行符\nSOMEWORD\n----------\n-\n与文字 LF 字符匹配的文字子字符串(\w.+?)- 第 1 组（该值将由 返回str.extract）：一个单词 char 后跟 1+ 个字符，尽可能少\nSOME STOP WORD- 一个 LF 和一个SOME STOP WORD子串