使用str.extract ()提取电话号码时发现,正则表达式里有几对(),就会提取出几列数据,有时会和期望的答案不一样。举例说明:
三种格式的号码:
###-###-####
# (###) ###-####
# ### ### ####
正则表达式:(\d\s)?\(?\d{3}\)?[-\s]\d{3}[-\s]\d{4}
这样的正则表达式本来没有问题,但是一放进str.extract,如:data.column.str.extract(r'(\d\s)?\(?\d{3}\)?[-\s]\d{3}[-\s]\d{4}'),结果如下:
因为正则表达式包含一对(),即(\d\s)?,所以只匹配出最前面的那部分内容。
如果整个表达式外面加(),即data.column.str.extract(r'((\d\s)?\(?\d{3}\)?[-\s]\d{3}[-\s]\d{4})'),结果如下:
第一列匹配正常,但是多了第二列(应该匹配的是(\d\s)?)。
换一种方法,(\d\s)不用(),?分开加在\d和\s后面,即data.column.str.extract(r'(\d?\s?\(?\d{3}\)?[-\s]\d{3}[-\s]\d{4})'),结果如下:
这个结果是期望得到的结果。
所以要么用第三种写法,就是如果第一个()里的内容多的话就很麻烦了,要么用第二种方法,然后选取第一列即可。