พื้นฐาน regular expression ใน python

KMUTNB 2023-03 :: NLP in python

• Colab Notebook - Python

KMUTNB 2024-02 :: NLP in python new

• Pattern Workshop

ตารางตัวกำกับ (special characters) ของ regex ใน python

(เฉพาะที่ใช้บ่อย)

Character classes

ตัวกำกับ	ความหมาย
A	จับตัวอักษร A
ก	จับตัวอักษร ก
[ABC]	จับตัวอักษรใดตัวอักษรหนึ่งในกลุ่มตัวอักษรนี้
[^abc]	จับตัวอักษรใดใดก็ตามที่ไม่อยู่ในกลุ่มตัวอักษรนี้
[A-Z]	จับตัวอักษร A-Z เรียงตาม unicode
\s	ตัวอักษร white space (การเว้นวรรคด้วย space bar)
\S	ตักอักษรที่ไม่ใช่ white space
\w	เทียบเท่ากับ [A-Za-z0-9]
\W	เทียบเท่ากับ [^A-Za-z0-9]
\d	เทียบเท่ากับ [0-9]
\D	เทียบเท่ากับ [^0-9]
.	แทนตัวอักษรใดก็ได้ (wild card character) ยกเว้น \n

Anchor

ตัวกำกับ	ความหมาย
^	ขึ้นต้นบรรทัด
$	สิ้นสุดบรรทัด
\b	boundary ระหว่าง word และ non-word character (A-Za-z0-9ก-ฮ_)

Escaped characters

ตัวกำกับ	ความหมาย
\+, \-, \.	ไม่อยากให้ตัวอักษรพิเศษถูกใช้งานเป็นตัวกำกับ เช่น - + ^ $ .
\uFFFF	match ตัวอักษรด้วย unicode, FFFF แทนที่ด้วย unicode
\t	tab
\n	new line
\f	form feed
\r	carriage return

Groups and references

ตัวกำกับ	ความหมาย
(ABC)	จัดตัวอักษรด้านในวงเล็บให้เป็นกลุ่มเดียวกัน (มีผลเวลา match แล้วดึงออกมา)
\1, \2	อ้างอิงถึงกลุ่มที่เคยถูกจัดไว้ด้านหน้า แต่ไม่ได้ตั้งชื่อ เรียงตามลำดับ
(?P<name>)	จัดตัวอักษรด้านในวงเล็บให้เป็นกลุ่มเดียวกัน และตั้งชื่อให้ (มีผลเวลา match แล้วดึงออกมา)
(?P=name)	อ้างอิงถึงกลุ่มที่เคยถูกจัดไว้ด้านหน้าโดยมีการตั้งชื่อไว้
(?(id/name)yes-pattern|no-pattern)	อ้างอิงถึงกลุ่มที่เคยถูกจัดไว้ด้านหน้าไม่ว่าจะด้วยลำกับหรือชื่อ yes-pattern จะทำงาน หากกลุ่มตัวอักษรด้านหน้าถูกจับไว้ได้ no-pattern จะทำงานเมื่อไม่มีกลุ่มตัวอักษรถูกจับไว้ โดยที่ no-pattern เป็น optional
(?:ABC)	จัดกลุ่มตัวอักษรไว้ แต่ไม่ได้ต้องการ match ออกมาเป็นผลลัพธ์

Quantifiers and alternations

ตัวกำกับ	ความหมาย
|	เงื่อนไข A|B หมายถึง จับ A หรือ B
+	BA+CK หมายถึงจับ A ตั้งแต่ 1 ตัวขึ้นไป เช่น BACK BAACK BAAACK
*	BA*CK หมายถึงจับ A ตั้งแต่ 0 ตัวขึ้นไป เช่น BCK BACK BAACK
?	BA?CK หมายถึงมี A หรือไม่มี A 1 ตัวนั้น ก็ได้ เช่น BCK BACK แต่ไม่ใช่ BAACK
+?, *?	Lazy quantifier จับน้อยที่สุดเท่าที่จะจับได้ เช่น BACK BLACK BECK ใช้ B.+CK จะจับ BACK BLACK BECK มาทั้ง 3 คำ แต่ B.+?CK จะจับได้แค่ BACK
{m}	BA{3}CK จับ A 3 ตัว BAAACK
{m,n}	BA{1,3}CK จับ A 1-3 ตัว BACK, BAACK, BAAACK หากเลขข้างหน้าไว้ เช่น BA{,7}CK จะจับ A ไม่เกิน 7 ตัว หากเว้นเลขข้างหลังไว้ เช่น BA{4,}CK จะจับตั้งแต่ 4 ตัวขึ้นไป
{m,n}?	Lazy quantifier จับน้อยที่สุดเท่าที่จะจับได้

Lookaround

ตัวกำกับ	ความหมาย
(?=ABC)	positive lookahead clean(?=ing) จะจับ clean ที่อยู่ในคำว่า cleaning เท่านั้น
(?!ABC)	negative lookahead clean(?!ing) จะจับ clean ที่ไม่มี ing ต่อท้ายเท่านั้น
(?<=ABC)	positive lookbehind (?<=pre)process จะจับ process ที่อยู่ในคำว่า preprocess เท่านั้น
(?<!ABC)	negative lookbehind (?<!pre)process จะจับ process ที่ไม่มี pre นำหน้าเท่านั้น

ตาราง regex flag ที่ใช้ใน python

(เฉพาะที่ใช้บ่อย)

Flag	ความหมาย
re.I, re.IGNORECASE	มอง A-Z กับ a-z เป็นตัวอักษรชุดเดียวกัน
re.M, re.MULTILINE	เปลี่ยนพฤติกรรม ^ และ $ ในการมองข้อความหลายบรรทัด
re.S, re.DOTALL	. มอง \n เป็นตัวอักษรตัวหนึ่ง

Unicode ที่ใช้บ่อย

• ภาษาอังกฤษและเลขอารบิก
• ภาษาไทย
• สกุลเงิน
• สัญลักษณ์/Emoji 1
• สัญลักษณ์/Emoji 2
• สัญลักษณ์/Emoji 3

Reference

• Python official documentation - v3.8

แถม

Low code EDA

• super easy YData profiling FKA. pandas profiling
• super easy D-Tale

Free Open Source Data Labeling tool

• super easy Label Studio

Free Open Source CDP

• advanced Tracardi (javascript frameworks knowledge required)

Interactive Web UI with Python

• super easy Streamlit
• advanced Dash by plotly

Speed up your Pandas

• super easy Pandarallel
• super easy Modin
• how to choose? Read this

Optimize data storage

• super easy Parquet

Speed up and optimize your python

• advanced Cpython
• common Numpy
• common Scipy

ASGI

• advanced Sanic

Package management

• super easy Pipenv, intro to pipenv

Time series and forecasting

• super easy Prophet

Fastest JSON serializer/deserializer

• super easy orjson

JSON schema validator

• advanced fast json schema

Structured logging

• advanced struclog

Pre-commit hooks

• advanced pre-commit

Load testing

• advanced locust