如何在正则表达式Python中获取匹配的组并将其保存为新列

Question

我有一个数据框，我想知道在

DocumentIdentifier

列中是否提到了我正在寻找的公司。也许应该通过正则表达式组来完成，但我不确定，目前我使用

contains()

。

数据如下：

GK格雷科迪	日期	来源通用名称	文档标识符
1	20160101223000-T417	sueddeutsche.de	“http://www.sueddeutsche.de/wirtschaft/vw-skandal-schein-und-sein-1.2802686”
3	20151231060000-T360	focus.de	“http://www.focus.de/finanzen/boerse/volkswagen-skandal-im-news-ticker-vw-betriebsrat-fordert-nachhaltigkeitsbeirat-fuer-autobauer_id_5183047.html”
4	20151231100000-T827	welt.de	“http://www.welt.de/regionales/niedersachsen/article150494146/Osterloh-will-fuer-VW-Nachhaltigkeitsbeirat-mit-externen-Fachleuten.html”
5	20151231101500-T428	focus.de	“http://www.focus.de/regional/wolfsburg/auto-osterloh-will-fuer-vw-nachhaltigkeitsbeirat-mit-externen-fachleuten_id_5183279.html”
6	20151231140000-T543	focus.de	“http://www.focus.de/finanzen/news/wirtschaftsticker/unternehmen-osterloh-will-fuer-vw-nachhaltigkeitsbeirat-mit-externen-fachleuten_id_5183525.html”

使用

contain()

方法，可以正确过滤数据，但是我认为这不是查找它匹配的公司的正确方法。我的代码如下所示：

firm_pattern='|'.join(['adidas', 'Airbus', 'Allianz','Volkswagen','VW')
pattern = '|'.join(['welt.de','focus.de'])
results=[results[(results['DocumentIdentifier'].str.contains(f'{firm_pattern}', case=False, na=False)) & 
                                         (results['SourceCommonName'].str.contains(pattern,case=False, na=False))]

我想要的是找出它匹配的公司，并根据需要创建新列，就像新列中的第一行一样，应该写成

Firm1

。对于

vw

列

Firm1

中的第二行和

vw

Firm2

。我发现我可以使用

Volkswagen

方法获得组。

.group()

如何改进我的代码？

编辑：

如果您想使用我的数据，请复制此代码：

re.search(r'(volkswagen)|(vw)', 
'http://www.focus.de/finanzen/boerse/volkswagen-skandal-im-news-ticker-vw-betriebsrat-fordert-nachhaltigkeitsbeirat-fuer-autobauer_id_5183047.html'
).group(0) #0-1 returns volkswagen only but it should return vw as well

Answer 1

import pandas as pd

data = {
    'GKGRECORDID': [1, 3, 4, 5, 6],
    'DATE': ['20160101223000-T417', '20151231060000-T360', '20151231100000-T827', '20151231101500-T428', '20151231140000-T543'],
    'SourceCommonName': ['sueddeutsche.de', 'focus.de', 'welt.de', 'focus.de', 'focus.de'],
    'DocumentIdentifier': [
        'http://www.sueddeutsche.de/wirtschaft/vw-skandal-schein-und-sein-1.2802686',
        'http://www.focus.de/finanzen/boerse/volkswagen-skandal-im-news-ticker-vw-betriebsrat-fordert-nachhaltigkeitsbeirat-fuer-autobauer_id_5183047.html',
        'http://www.welt.de/regionales/niedersachsen/article150494146/Osterloh-will-fuer-VW-Nachhaltigkeitsbeirat-mit-externen-Fachleuten.html',
        'http://www.focus.de/regional/wolfsburg/auto-osterloh-will-fuer-vw-nachhaltigkeitsbeirat-mit-externen-fachleuten_id_5183279.html',
        'http://www.focus.de/finanzen/news/wirtschaftsticker/unternehmen-osterloh-will-fuer-vw-nachhaltigkeitsbeirat-mit-externen-fachleuten_id_5183525.html'
    ]
}

df = pd.DataFrame(data)


print(df)

方法是不错的选择。

re.findall

返回找到的变量的元组，然后可以将它们放入列表中（忽略空字符串），这很方便。我的代码：

findall