返回没有超过特定最大长度的单词的带有字符串内容的行，同时保留和过滤掉带有特定内容的单词

Question

这是我的数据框

输入

        qid                     question_stemmed    target  question_length total_words

443216  56da6b6875d686b48fde    mathfracint1x53x5 tantanboxedint1x01x2 sumvarp...   1   589 40

163583  1ffca149bd0a19cd714c    mathoverbracesumvartheta8infty vecfracsumkappa...   1   498 31

522266  663c7523d48f5ee66a3e    httpgooglecom check out the content of the www..    0   449 66

522379  756678d3d48f5ee66a3e    mark had a great day he plans to go fishing with.   0   310 23

我正在使用以下逻辑仅从其 question_text 列具有的 df 返回记录

• 任何长度不应超过 15 个字符的单词（注意：不是字符串长度）（使用否定）

• 在上述条件为真时不应包含数值的任何单词（使用否定）

• 同时确保保留具有 http 或 www 值的词（同时以上 2 个条件仍然成立）

df = df[(~df['question_stemmed'].str.len() > 15) & (~df['question_stemmed'].str.contains(r'[0-9]')) & (df.question_stemmed.str.match('^[^\http]*$'))]

出现错误 error: bad escape \h at position 3

预期产出

        qid                     question_stemmed     target    question_length  total_words

522266  663c7523d48f5ee66a3e    httpgooglecom check out the content of the www..    0   449 66

522379  756678d3d48f5ee66a3e    mark had a great day he plans to go fishing with.   0   310 23

    

另外，想知道上面的逻辑是否可以满足所有 3 个条件感谢任何帮助

Answer 1

我建议使用df&nbsp;=&nbsp;df[~df['question_stemmed'].str.contains(r'(?<!\S)(?!\S*(?:http|www\.))\S{15}')]请参阅正则表达式演示细节(?<!\S)- 空格或字符串开头应紧接在当前位置之前(?!\S*(?:http|www\.))-不允许在当前位置的右侧紧跟 0 个或多个非空白字符后跟http或子字符串www.\S{15}- 十五个非空白字符。