Python의 정규식 [예제 포함]: 구현 방법?

모든 소스에서 원시 데이터를 처리하는 동안 데이터에서 의미 있는 통찰력을 얻을 수 있도록 올바른 정보를 추출하는 것이 중요합니다. 때로는 특히 텍스트 데이터의 경우 데이터에서 특정 패턴을 추출하기가 어려워집니다.

텍스트 데이터는 설문조사 양식, 스크랩 웹사이트 및 기타 출처를 통해 수집된 정보 단락으로 구성됩니다. pandas 함수 또는 기타 사용자 정의 함수를 사용하여 다른 문자열 접근자를 채닝하면 작업을 완료할 수 있지만 보다 구체적인 패턴을 얻어야 하는 경우에는 어떻게 해야 합니까? 정규식은 이 작업을 쉽게 수행합니다.

정규식(RegEx)이란 무엇입니까?

정규식은 문자열에 대한 문자 집합의 표현입니다. 데이터 풀에서 올바른 정보를 분리하는 데 도움이 되는 문자열의 특정 패턴에 대한 일반화된 공식을 제공합니다. 이 표현은 일반적으로 규칙을 구성하는 데 도움이 되는 기호나 문자로 구성되어 있지만 언뜻 보기에는 이상하고 이해하기 어려워 보일 수 있습니다. 이러한 기호에는 여기에 설명된 관련 의미가 있습니다.

세계 최고의 대학에서 데이터 과학 과정 을 배우십시오 . 이그 제 큐 티브 PG 프로그램, 고급 인증 프로그램 또는 석사 프로그램을 획득하여 경력을 빠르게 추적하십시오.

RegEx의 메타 문자

1. '.': 와일드카드이며 단일 문자와 일치합니다(모든 문자, 단 한 번만).
2. ^: 문자열의 시작을 나타냅니다.
3. $: 문자열의 끝을 나타냅니다.
4. [ ]: [ ] 내의 문자 집합 중 하나와 일치
5. [az]: 문자 범위, b,…,z 중 하나와 일치
6. [^abc] : b, c가 아닌 문자와 일치합니다.
7. a|b: 또는 b와 일치합니다. 여기서 및 b는 문자열입니다.
8. () : 연산자에 대한 범위를 제공합니다.
9. \ : 특수 문자(\t, \n, \b, \.)에 대한 이스케이프를 활성화합니다.
10. \b: 단어 경계와 일치
11. \d : [0-9]에 해당하는 임의의 숫자
12. \D: [^0-9]에 해당하는 숫자가 아닌 모든 것
13. \s : [ \t\n\r\f\v]에 해당하는 모든 공백
14. \S : [^\t\n\r\f\v]에 해당하는 공백이 아닌 모든 것
15. \w : [a-zA-Z0-9_]에 해당하는 모든 영숫자
16. \W : [^a-zA-Z0-9_]에 해당하는 영숫자가 아닌 모든
17. '*': 0개 이상의 항목과 일치합니다.
18. '+': 하나 이상의 항목과 일치합니다.
19. '?': 0개 또는 1개의 항목과 일치합니다.
20. {n}: 정확히 n회 반복, n>=0
21. {n,}: 최소 n회 반복
22. {,n}: 최대 n회 반복
23. {m,n}: 최소 m 반복 및 최대 n 반복

해결 방법을 이해하기 위한 예

이제 RegEx를 구성하는 문자를 알았으므로 이것이 어떻게 작동하는지 봅시다.

1. 이메일 필터링:

긴 단락에서 모든 이메일 ID를 걸러내려고 한다고 가정합니다. 이메일의 일반적인 형식은 다음과 같습니다.

사용자 이름@도메인_이름. <상위_레벨_도메인>

사용자 이름은 영숫자일 수 있으므로 \w를 사용하여 나타낼 수 있지만 사용자가 계정을 firstName.surname으로 생성할 가능성이 있습니다. 이 문제를 해결하기 위해 점을 이스케이프 처리하고 문자 집합을 만듭니다. 다음으로 domain_name은 영문자여야 하므로 A-Za-z가 이를 나타냅니다. 최상위 도메인은 일반적으로 .com, .in, .org이지만 사용 사례에 따라 전체 알파벳 범위를 선택하거나 특정 도메인을 필터링할 수 있습니다.

이것의 정규식은 다음과 같을 것입니다:

^([a-zA-Z0-9_.]+)@([a-zA-Z0-9-]+)\.([a-zA-Z]{2,4})$

여기에서 패턴의 시작과 끝도 선언되며 최상위 도메인은 2-4자만 포함할 수 있습니다. 전체 표현식에는 3개의 그룹이 있습니다.

2. 날짜 필터링:

추출하는 텍스트 정보에는 날짜가 포함될 수 있으며 별도의 열이 제공되지 않습니다. 날짜는 데이터 필터링 또는 시계열 분석에 도움이 되는 필수 요소입니다. 특정 날짜는 날짜/월/년 형식을 취하며, 여기서 날짜와 월은 서로 바뀔 수 있습니다.

또한 월은 숫자 및 알파벳 형식이 될 수 있으며 알파벳은 약어 또는 전체 이름일 수 있습니다. 이는 주로 데이터에 얼마나 많은 사례가 있는지에 따라 달라지며 적중 및 재판을 통해서만 달성할 수 있습니다.

다양한 날짜를 다루는 간단한 RegEx가 아래에 나와 있습니다.

^(\d{1,2})[/-](\d{1,2})[/-](\d{2,4})$

이 패턴은 하이픈이나 슬래시를 사용하여 날짜 형식을 캡처합니다. 날짜와 월은 한 자리 또는 두 자리로 제한되고 연도는 최대 40자리로 제한됩니다. 각 엔터티는 이 경우 선택 사항인 그룹으로 캡처됩니다.

또한 읽기: Python 프로젝트 아이디어 및 주제

파이썬에서 어떻게 구현합니까?

우리가 방금 구축한 정규식은 우리가 가정한 각 기준을 충족하고 있으며 이제 이를 Python 코드로 구현할 때입니다. Python에는 이러한 표현식의 작업을 구현하는 re 모듈이라는 내장 모듈이 있습니다. 간단히,

다시 수입

패턴 = '^(\d{1,2})[/-](\d{1,2})[/-](\d{2,4})$'

Re 모듈은 다양한 기능을 제공하며 모두 사용 사례가 다릅니다. 몇 가지 중요한 기능을 살펴보겠습니다.

1. re.findall(): 이 함수는 전달된 패턴을 기반으로 테스트 문자열의 모든 일치 목록을 반환합니다. 다음 예를 고려하십시오.

string = '25-12-1999 임의의 텍스트가 여기에 25/12/1999'

print(re.findall(패턴, 문자열))

목록의 문자열에서 날짜만 반환합니다.

1. re.sub(): 이 함수의 Sub는 대체를 나타내며 동일한 작업을 수행합니다. 일치 항목을 제공된 대체 값으로 대체합니다. 이 함수는 패턴, 문자열, 대체 값 및 개수의 선택적 매개변수를 사용합니다. count 매개변수는 교체하려는 발생 수를 제어합니다. 기본적으로 모두 대체하고 새 문자열을 반환합니다.
2. re.split(): 일치하는 사이트에서 문자열을 분할하고 해당 부분을 별도의 문자열로 목록에 반환합니다.
3. re.search(): 이 함수는 캡처한 모든 그룹과 함께 문자열에서 찾은 일치 항목을 포함하는 일치 개체를 반환합니다. 이러한 그룹을 별도의 열로 저장하려는 경우 유용할 수 있습니다.

이를 수행하려면:

일치 = re.search(패턴, 문자열)

match.group(1)

Group(0)은 전체 일치를 반환하고 해당하는 다음 숫자는 다른 그룹을 나타냅니다.

확인: 인도의 Python 개발자 급여

결론

정규식은 텍스트 데이터의 패턴을 캡처하는 강력한 방법입니다. 다양한 문자의 명령을 유지하는 데 약간의 추가 노력이 필요할 수 있지만 복잡한 사용 사례에서 데이터 추출 프로세스를 단순화합니다.