นิพจน์ทั่วไปใน Python [พร้อมตัวอย่าง]: จะนำไปใช้อย่างไร

ขณะประมวลผลข้อมูลดิบจากแหล่งใดๆ การดึงข้อมูลที่ถูกต้องเป็นสิ่งสำคัญเพื่อให้ได้รับข้อมูลเชิงลึกที่มีความหมายจากข้อมูล บางครั้งก็ยากที่จะเอารูปแบบเฉพาะออกจากข้อมูลโดยเฉพาะในกรณีของข้อมูลที่เป็นข้อความ

ข้อมูลที่เป็นข้อความประกอบด้วยย่อหน้าของข้อมูลที่รวบรวมผ่านแบบฟอร์มการสำรวจ เว็บไซต์ที่คัดลอกมา และแหล่งข้อมูลอื่นๆ Channing ของตัวเข้าถึงสตริงต่างๆ ที่มีฟังก์ชัน pandas หรือฟังก์ชันแบบกำหนดเองอื่นๆ สามารถทำงานได้สำเร็จ แต่ถ้าจำเป็นต้องได้รับรูปแบบที่เฉพาะเจาะจงมากขึ้นล่ะ นิพจน์ทั่วไปทำงานนี้ได้อย่างง่ายดาย

นิพจน์ทั่วไป (RegEx) คืออะไร?

นิพจน์ทั่วไปคือการแสดงชุดอักขระสำหรับสตริง นำเสนอสูตรทั่วไปสำหรับรูปแบบเฉพาะในสตริง ซึ่งช่วยในการแยกข้อมูลที่ถูกต้องออกจากกลุ่มข้อมูล นิพจน์มักจะประกอบด้วยสัญลักษณ์หรืออักขระที่ช่วยในการสร้างกฎ แต่ในแวบแรก อาจดูแปลกและเข้าใจยาก สัญลักษณ์เหล่านี้มีความหมายที่เกี่ยวข้องซึ่งอธิบายไว้ที่นี่

เรียนรู้ หลักสูตรวิทยาศาสตร์ข้อมูล จากมหาวิทยาลัยชั้นนำของโลก รับโปรแกรม PG สำหรับผู้บริหาร โปรแกรมประกาศนียบัตรขั้นสูง หรือโปรแกรมปริญญาโท เพื่อติดตามอาชีพของคุณอย่างรวดเร็ว

อักขระ Meta ใน RegEx

1. '.': เป็นไวด์การ์ด จับคู่อักขระตัวเดียว (อักขระใดก็ได้ แต่เพียงครั้งเดียว)
2. ^: หมายถึงจุดเริ่มต้นของสตริง
3. $: หมายถึงจุดสิ้นสุดของสตริง
4. [ ]: จับคู่หนึ่งในชุดอักขระภายใน [ ]
5. [az]: จับคู่หนึ่งในช่วงของอักขระ a,b,…,z
6. [^abc] : จับคู่อักขระที่ไม่ใช่ a,b หรือ c
7. a|b: จับคู่ a หรือ b โดยที่ a และ b เป็นสตริง
8. () : กำหนดขอบเขตสำหรับตัวดำเนินการ
9. \ : เปิดใช้งาน Escape สำหรับอักขระพิเศษ (\t, \n, \b, \.)
10. \b: จับคู่ขอบเขตของคำ
11. \d : ตัวเลขใด ๆ เทียบเท่ากับ [0-9]
12. \D: ใดๆ ที่ไม่ใช่ตัวเลข เทียบเท่ากับ [^0-9]
13. \s : ช่องว่างใด ๆ เทียบเท่ากับ [ \t\n\r\f\v]
14. \S : ใดๆ ที่ไม่ใช่ช่องว่าง เทียบเท่ากับ [^\t\n\r\f\v]
15. \w : ตัวอักษรและตัวเลขใดๆ เทียบเท่ากับ [a-zA-Z0-9_]
16. \W : ที่ไม่ใช่ตัวอักษรและตัวเลข เทียบเท่ากับ [^a-zA-Z0-9_]
17. '*': จับคู่ 0 รายการขึ้นไป
18. '+': จับคู่อย่างน้อยหนึ่งรายการ
19. '?': จับคู่ศูนย์หรือหนึ่งรายการ
20. {n}: ซ้ำ n ครั้ง, n>=0
21. {n,}: ซ้ำอย่างน้อย n ครั้ง
22. {,n}: ไม่เกิน n ครั้ง
23. {m,n}: อย่างน้อย m การซ้ำซ้อนและการซ้ำซ้อนสูงสุด n ครั้ง

ตัวอย่างเพื่อทำความเข้าใจวิธีแก้ปัญหา

เมื่อคุณทราบเกี่ยวกับอักขระที่ประกอบเป็น RegEx แล้ว เรามาดูวิธีการทำงานกัน:

1. การกรองอีเมล:

สมมติว่าคุณต้องการกรองรหัสอีเมลทั้งหมดออกจากย่อหน้ายาว รูปแบบทั่วไปของอีเมลคือ:

ชื่อผู้ใช้@domain_name. <top_level_domain>

ชื่อผู้ใช้สามารถเป็นตัวอักษรและตัวเลขได้ ดังนั้นเราจึงสามารถใช้ \w เพื่อระบุได้ แต่มีความเป็นไปได้ที่ผู้ใช้จะสร้างบัญชีเป็น firstName.surname เพื่อแก้ไขปัญหานี้ เราจะหลีกหนีจากจุดนั้นและสร้างชุดอักขระ ถัดไป domain_name ควรเป็นตัวอักษรเท่านั้น ดังนั้น A-Za-z จะแสดงว่า โดเมนระดับบนสุดมักจะเป็น .com, .in, .org แต่ขึ้นอยู่กับกรณีการใช้งาน คุณสามารถเลือกช่วงตัวอักษรทั้งหมดหรือกรองโดเมนเฉพาะ

นิพจน์ทั่วไปของสิ่งนี้จะมีลักษณะดังนี้:

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

ที่นี่จะมีการประกาศจุดเริ่มต้นและจุดสิ้นสุดของรูปแบบด้วยเช่นกัน โดเมนระดับบนสุดสามารถมีอักขระได้ 2-4 ตัวเท่านั้น นิพจน์ทั้งหมดมี 3 กลุ่ม

2. การกรองวันที่:

ข้อมูลที่เป็นข้อความที่คุณกำลังดึงออกมาอาจมีวันที่และไม่มีคอลัมน์แยกต่างหากสำหรับคุณ วันที่เป็นปัจจัยสำคัญที่ช่วยในการกรองข้อมูลหรือการวิเคราะห์อนุกรมเวลา วันที่เฉพาะจะใช้รูปแบบของวันที่/เดือน/ปี โดยที่วันที่และเดือนสามารถแลกเปลี่ยนกันได้

นอกจากนี้ เดือนสามารถเป็นตัวเลขและรูปแบบตัวอักษรและในตัวอักษรได้ทั้งตัวย่อหรือชื่อเต็ม ส่วนใหญ่ขึ้นอยู่กับจำนวนกรณีที่มีอยู่ในข้อมูลของเรา และสามารถทำได้โดยการโจมตีและการทดลองใช้เท่านั้น

RegEx อย่างง่ายที่ครอบคลุมวันที่ต่างๆ แสดงไว้ด้านล่าง:

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

รูปแบบนี้จะบันทึกรูปแบบวันที่ด้วยยัติภังค์หรือเครื่องหมายทับ วันที่และเดือนจำกัดไว้ที่หนึ่งหรือสองหลัก และปีไม่เกินสี่หลัก เอนทิตีที่เกี่ยวข้องจะถูกจับเป็นกลุ่มที่เป็นทางเลือกในกรณีนี้

อ่านเพิ่มเติม: แนวคิดและหัวข้อโครงการ Python

จะนำไปใช้ใน Python ได้อย่างไร?

นิพจน์ทั่วไปที่เราเพิ่งสร้างขึ้นนั้นเป็นไปตามเกณฑ์ที่เราคิดไว้ และตอนนี้ก็ถึงเวลาที่จะนำไปใช้ในโค้ด Python Python มีโมดูลในตัวที่เรียกว่า re module ที่ใช้การทำงานของนิพจน์เหล่านี้ อย่างง่าย,

นำเข้าอีกครั้ง

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

โมดูล Re มีฟังก์ชันที่หลากหลายและทุกฟังก์ชันมีกรณีการใช้งานที่แตกต่างกัน มาดูหน้าที่ที่สำคัญบางประการกัน:

1. re.findall(): ฟังก์ชันนี้จะคืนค่ารายการของการจับคู่ทั้งหมดในสตริงทดสอบตามรูปแบบที่ส่ง พิจารณาตัวอย่างนี้:

string = '25-12-1999 สุ่มข้อความที่นี่ 25/12/1999'

พิมพ์ (re.findall(รูปแบบ, สตริง))

จะส่งกลับเฉพาะวันที่จากสตริงในรายการ

1. re.sub(): Sub ในฟังก์ชันนี้ย่อมาจาก substitution และทำสิ่งเดียวกัน มันแทนที่การแข่งขันด้วยค่าทดแทนที่ให้ไว้ ฟังก์ชันใช้รูปแบบ สตริง ค่าทดแทน และพารามิเตอร์ทางเลือกของการนับ พารามิเตอร์การนับจะควบคุมจำนวนการเกิดขึ้นที่คุณต้องการแทนที่ โดยค่าเริ่มต้น จะแทนที่ทั้งหมดและส่งคืนสตริงใหม่
2. re.split(): มันแยกสตริงที่ไซต์ที่ตรงกันและส่งคืนส่วนต่าง ๆ เป็นสตริงที่แยกจากกันในรายการ
3. re.search(): ฟังก์ชันนี้ส่งคืนออบเจกต์การจับคู่ที่มีการจับคู่ที่พบในสตริงพร้อมกับกลุ่มทั้งหมดที่ถูกจับ อาจมีประโยชน์เมื่อคุณต้องการจัดเก็บกลุ่มเหล่านี้เป็นคอลัมน์ที่แยกจากกัน

ในการดำเนินการนี้:

ตรงกัน = ค้นคว้า (รูปแบบ, สตริง)

match.group(1)

Group(0) คืนค่าการแข่งขันทั้งหมดและตัวเลขถัดไปที่ตรงกันหมายถึงกลุ่มอื่น

ชำระเงิน: เงินเดือนนักพัฒนา Python ในอินเดีย

บทสรุป

นิพจน์ทั่วไปเป็นวิธีที่มีประสิทธิภาพในการจับรูปแบบในข้อมูลที่เป็นข้อความ อาจต้องใช้ความพยายามเป็นพิเศษเล็กน้อยในการรักษาคำสั่งของอักขระต่างๆ แต่ช่วยลดความซับซ้อนของกระบวนการดึงข้อมูลในกรณีการใช้งานที่ซับซ้อน