Pythonでorを用いて一覧から正規表現を使ったデータ抽出方法｜自作で機械学習モデル・AIの使い方を学ぶ

Pythonと正規表現について

Pythonは強力なプログラミング言語であり、正規表現を使うことで、文字列のパターンマッチングやデータの抽出が可能になります。

正規表現は、文字列の特定のパターンを表現するための記法です。Pythonでは、reモジュールを使って正規表現を扱うことができます。

orを使った正規表現の基本

正規表現でorを使う場合、|を使います。|は、左右のいずれかのパターンにマッチすることを意味します。

import re
pattern = 'apple|banana'
text = 'I like apple'
match = re.search(pattern, text)
if match:
    print(match.group())

上記のプログラムでは、patternに’apple|banana’という正規表現パターンを設定し、textに’I like apple’という文字列を設定しています。re.search()を使って、textの中からpatternにマッチする部分を検索し、matchに格納しています。最後に、match.group()を使ってマッチした部分を出力しています。

Pythonでの正規表現の一覧

Pythonで使える正規表現の一覧を紹介します。

表現	説明
.	任意の一文字にマッチします。
[abc]	a、b、cのいずれかの文字にマッチします。
[^abc]	a、b、c以外の文字にマッチします。
[a-z]	aからzまでのアルファベットのいずれかにマッチします。
[0-9]	0から9までの数字のいずれかにマッチします。
*	直前の文字が0回以上繰り返されることを表します。
+	直前の文字が1回以上繰り返されることを表します。
?	直前の文字が0回または1回繰り返されることを表します。
{n}	直前の文字がn回繰り返されることを表します。
{n,}	直前の文字がn回以上繰り返されることを表します。
{n,m}	直前の文字がn回以上、m回以下繰り返されることを表します。
^	文字列の先頭にマッチします。
$	文字列の末尾にマッチします。

Pythonでの正規表現を使ったデータ抽出の基本

Pythonで正規表現を使ってデータを抽出する場合、re.search()やre.findall()を使います。

re.search()は、文字列の中から最初にマッチした部分を検索し、re.findall()は、すべてのマッチした部分をリストで返します。

import re
text = 'I have 3 apples and 5 bananas'
# 数字を抽出する正規表現
pattern = '\d+'
# 最初にマッチした数字を検索
match = re.search(pattern, text)
if match:
    print('First match:', match.group())
# すべての数字を検索
matches = re.findall(pattern, text)
if matches:
    print('All matches:', matches)

上記のプログラムでは、textに’I have 3 apples and 5 bananas’という文字列を設定し、正規表現パターン’\d+’を使って数字を抽出しています。re.search()を使って最初にマッチした数字を検索し、re.findall()を使ってすべての数字を検索しています。

orを用いたデータ抽出の具体的な例

正規表現でorを使って、複数のパターンにマッチするデータを抽出する例を紹介します。

import re
text = 'I have 3 apples and 5 bananas'
# 'apples'または'bananas'を検索
pattern = 'apples|bananas'
matches = re.findall(pattern, text)
if matches:
    print(matches)

上記のプログラムでは、textに’I have 3 apples and 5 bananas’という文字列を設定し、正規表現パターン’apples|bananas’を使って、’apples’または’bananas’にマッチする部分を検索しています。

正規表現とデータ抽出の応用例

正規表現を使って、様々なデータを抽出することができます。例えば、ログファイルから特定のデータを抽出する場合、正規表現を使って簡単に実現できます。

import re
# ログファイルからIPアドレスを抽出する正規表現
pattern = '\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}'
with open('access.log', 'r') as f:
    for line in f:
        match = re.search(pattern, line)
        if match:
            print(match.group())

上記のプログラムでは、access.logというログファイルからIPアドレスを抽出しています。正規表現パターン’\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}’を使って、IPアドレスを抽出しています。