前言

在真實(shí)的數(shù)據(jù)分析項(xiàng)目中，原始數(shù)據(jù)往往“臟亂差”——包含大量非結(jié)構(gòu)化文本，如用戶(hù)評(píng)論、日志、網(wǎng)頁(yè)抓取內(nèi)容等。如何從中精準(zhǔn)提取電話(huà)號(hào)碼、郵箱、日期、金額等關(guān)鍵信息？答案就是：正則表達(dá)式（Regular Expression）。

Python 通過(guò)標(biāo)準(zhǔn)庫(kù) re 提供了強(qiáng)大而靈活的正則支持。本文將系統(tǒng)講解正則在數(shù)據(jù)分析中的核心用法，涵蓋：

• 字符串匹配函數(shù)（match、search、findall）
• 正則語(yǔ)法（字符范圍、重復(fù)次數(shù)、字符類(lèi)）
• 貪婪與非貪婪模式
• 分組與邏輯“或”
• 替換與編譯優(yōu)化（sub、compile）

一、匹配字符串：三大核心函數(shù)

1.re.match()：從字符串開(kāi)頭匹配

• 作用：僅檢查字符串起始位置是否匹配正則模式。
• 返回值：匹配成功返回 Match 對(duì)象，否則 None。

使用形式：

re.match(參數(shù)1,參數(shù)2)

功能：表示從參數(shù)2（字符串類(lèi)型數(shù)據(jù)）中查找滿(mǎn)足參數(shù)1（正則表達(dá)式）的內(nèi)容。

實(shí)例代碼：

import re

messaga = '張三、李四、王五、趙六、張三'
result = re.match('張三', messaga)
print(result)

result1 = re.match('李四', messaga)
print(result1)

代碼執(zhí)行結(jié)果：

• span=(0，2）表示字符串索引號(hào)為0~2的位置匹配成功。
• match='張三'表示匹配的內(nèi)容為張三。

2.re.search()：全文搜索首次匹配

• 作用：在整個(gè)字符串中查找第一個(gè)匹配項(xiàng)。
• 返回值：首個(gè)匹配的 Match 對(duì)象，或 None。

使用形式：

re.search(參數(shù)1，參數(shù)2)

功能：表示從參數(shù)2（字符串類(lèi)型數(shù)據(jù)）中查找滿(mǎn)足參數(shù)1（正則表達(dá)式）的內(nèi)容，如果匹配了多個(gè)參數(shù)1，則只返回第一個(gè)匹配成功的信息。

示例代碼：

messaga1 = '張三、李四、王五、趙六、王五'
result2 = re.search('王五', messaga1)
print(result2)

代碼執(zhí)行結(jié)果：

只返回第一個(gè)匹配成功的信息。

3.re.findall()：查找所有匹配項(xiàng)

• 作用：返回所有非重疊匹配結(jié)果的列表。
• 返回值：字符串列表（若無(wú)分組）；元組列表（若有多個(gè)分組）。

使用形式：

re.findall(參數(shù)1,參數(shù)2)

功能：表示從參數(shù)2（字符串類(lèi)型數(shù)據(jù)）中查找滿(mǎn)足參數(shù)1（正則表達(dá)式）的內(nèi)容，如果匹配了多個(gè)參數(shù)1，則返回匹配成功的全部信息。

import re

messaga1 = '張三、李四、王五、趙六、王五'
result3 = re.findall('王五', messaga1)
print(result3)

運(yùn)行結(jié)果：
['王五','王五']

findall()并不返回匹配的位置，只返回匹配的全部?jī)?nèi)容。

二、正則表達(dá)式基礎(chǔ)語(yǔ)法

表示字符范圍：[...]

用方括號(hào)定義可接受的字符集合：

示例：

import re

message = 'Pythonnnnncc93,c87,Javac63,C++88'
result_1 = re.search('[cn]', message)  # 只返回第一個(gè)匹配成功的信息
result_2 = re.findall('[0-9]', message)
result_3 = re.findall('[cn]*[0-9]', message)
print(result_1)
print(result_2)
print(result_3)

運(yùn)行結(jié)果：

表示字符出現(xiàn)的次數(shù)（量詞）

示例：

import re

message1 = 'da2a7ddbre77yifed777t3fefd777b'
result = re.findall('[a-z]*[0-9][a-z]', message1)
print(result)

運(yùn)行結(jié)果：

表示同一類(lèi)字符（預(yù)定義字符類(lèi)）

示例：清洗文本中的非字母數(shù)字字符

import re

text = "Hello, World! 123 @#$"
clean = re.sub(r"\W", " ", text)  # \W = 非單詞字符
print(clean)  # "Hello  World  123   "

三、貪婪模式 vs 非貪婪模式

貪婪和非貪婪模式指是否匹配更多內(nèi)容，具體使用如下：

• 默認(rèn)是貪婪模式：盡可能多地匹配字符。
• 非貪婪（惰性）模式：在量詞后加 ?，盡可能少匹配。

text = "<div>Hello</div><div>World</div>"

# 貪婪：匹配整個(gè)字符串
print(re.search(r"<div>.*</div>", text).group())
# 輸出：<div>Hello</div><div>World</div>

# 非貪婪：只匹配第一個(gè)標(biāo)簽
print(re.search(r"<div>.*?</div>", text).group())
# 輸出：<div>Hello</div>

數(shù)據(jù)分析提示：提取 HTML/XML 標(biāo)簽、JSON 片段時(shí)，務(wù)必使用非貪婪模式！

四、 “或” 和 分組（Grouping）

邏輯“或”：|

re.findall(r"jpg|png|gif", "image1.jpg, image2.png, icon.gif")
# 輸出：['jpg', 'png', 'gif']

分組：(...)與捕獲

用括號(hào)將模式分組，便于提取子內(nèi)容：

date_str = "2025-04-05"
match = re.search(r"(\d{4})-(\d{2})-(\d{2})", date_str)
print(match.groups())      # ('2025', '04', '05')
print(match.group(1))      # '2025'（年）

五、sub()和compile()方法

re.sub()：替換匹配內(nèi)容

• 作用：將匹配到的文本替換為指定字符串。
• 語(yǔ)法：re.sub(pattern, repl, string)

import re

text = "Call me at 138****5678"
cleaned = re.sub(r"\d{3}\*\*\*\d{4}", "[PHONE_HIDDEN]", text)
print(cleaned)  # Call me at [PHONE_HIDDEN]

支持使用分組引用（\1, \2）：

import re

text = "John Doe"
swapped = re.sub(r"(\w+) (\w+)", r"\2, \1", text)
print(swapped)  # Doe, John

re.compile()：預(yù)編譯正則（提升性能）

當(dāng)同一正則需多次使用（如處理百萬(wàn)行數(shù)據(jù)），應(yīng)先編譯：

phone_pattern = re.compile(r"1[3-9]\d{9}")

# 后續(xù)可直接調(diào)用
if phone_pattern.search(text1):
    ...
if phone_pattern.findall(text2):
    ...

綜合案例：

給定字符串 log_info = "用戶(hù)ID:10086,訂單號(hào):ORD20260122001,支付金額:99.9元;用戶(hù)ID:10087,訂單號(hào):ORD20260122002,支付金額:199.5元;用戶(hù)ID:10088,訂單號(hào):ORD20260122003,支付金額:0.88元"

1、基礎(chǔ)匹配：提取所有的用戶(hù) ID 數(shù)字（如 10086、10087、10088），并以列表形式輸出。

2、捕獲組 + 貪婪 / 非貪婪：提取所有的訂單號(hào)（如 ORD20260122001），要求分別用貪婪匹配和非貪婪匹配實(shí)現(xiàn)，并對(duì)比兩種方式的結(jié)果（思考為什么結(jié)果一致 / 不一致）。

3、數(shù)值提?。禾崛∷械闹Ц督痤~數(shù)字（僅保留數(shù)字部分，如 99.9、199.5、0.88），忽略 “元” 字，最終輸出浮點(diǎn)數(shù)列表。

實(shí)現(xiàn)代碼：

import re

log_info = "用戶(hù)ID:10086,訂單號(hào):ORD20260122001,支付金額:99.9元;用戶(hù)ID:10087,訂單號(hào):ORD20260122002,支付金額:199.5元;用戶(hù)ID:10088,訂單號(hào):ORD20260122003,支付金額:0.88元"

pattern1 = re.compile(':(\d+),')
print(pattern1.findall(log_info))

pattern2 = re.compile('ORD\d+')  # 貪婪模式
print(pattern2.findall(log_info))

pattern3 = re.compile('ORD2026012200\d+?')  # 非貪婪模式
print(pattern3.findall(log_info))

pattern4 = re.compile(':(\d+.\d+)元')
print(pattern4.findall(log_info))

結(jié)語(yǔ)

記住口訣：

• 提取一個(gè)用 search，
• 提取多個(gè)用 findall，
• 替換內(nèi)容用 sub，
• 高頻使用要 compile！

總結(jié) 

到此這篇關(guān)于Python數(shù)據(jù)分析中正則表達(dá)式匹配字符串與常用函數(shù)的文章就介紹到這了,更多相關(guān)Python數(shù)據(jù)分析正則表達(dá)式匹配內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論