Question

我正在从以“buy_train_”开头并以 0 结尾的目录中读取一些文件。

data = [pd.read_parquet(f,engine='fastparquet') for f in glob.glob(local_data_path+'buy_train_20**-**-**_****_0')]

我需要更新此正则表达式，使其不包含名称以“buy_train_2018”开头的文件，即，如果文件有 2018 则绕过它。但是我仍然需要根据第一个正则表达式过滤掉文件，这只是我想添加的另一个过滤器。任何人都可以帮助我解决这个问题，因为我尝试做出如下所示的表达

buy_train_20**(?![8])-**-**_**_0

这本应该过滤掉以 8 结尾的任何内容，但它没有这样做。

感谢任何帮助。

编辑 1：

示例-

<块引用>

buy_train_2020-01-08_001221_0

buy_train_2020-05-02_067341_0

buy_train_2020-07-26_011901_0

-> 上面的例子是可以接受的文件名，因为它们在 'buy_train' 之后没有 2018。

<块引用>

buy_train_2018-10-16_617901_0

buy_train_2018-12-19_492111_0

-> 上面的例子应该被过滤掉，因为它们在 'buy_train' 之后是 2018 年

Answer 1

使用正则表达式的第一种方法

(?!...)

如果 ... 不匹配则匹配 next。这是一个否定的前瞻断言。


import re

regex_filter = 'buy_train_20(?!18)\d*-\d*-\d*_\d*_0'

expr1 = 'buy_train_2018-10-16_617901_0'
m = re.search(regex_filter, expr1)
print(m)
# None 
# (if None not do not try to print)

expr2 = 'buy_train_2020-01-08_001221_0'
m = re.search(regex_filter, expr2)
print(m)
print(m.group(0))
# <_sre.SRE_Match object; span=(0, 29), match='buy_train_2020-01-08_001221_0'>
# buy_train_2020-01-08_001221_0

带有过滤器原生功能的第二种方法：

但您不一定需要使用正则表达式进行过滤，只需使用本机 filter 函数，如下所示：

paths = ['buy_train_2020-01-08_001221_0',
         'buy_train_2020-05-02_067341_0',
         'buy_train_2020-07-26_011901_0',
         'buy_train_2018-10-16_617901_0',
         'buy_train_2018-12-19_492111_0']


prefix = 'buy_train_2018'

def function(path):
    if path[:len(prefix)] == prefix:
        return False
    else:
        return True

results = filter(function, paths)

for res in results:
    print (res)
    
# buy_train_2020-01-08_001221_0
# buy_train_2020-05-02_067341_0
# buy_train_2020-07-26_011901_0

不允许某些文件名的模式

1 个答案: