Pythonの正規表現による置換：基本操作から複数パターンの置換、グループや後方参照まで

Pythonでテキスト処理を行う際、正規表現は非常に強力なツールです。簡単な文字列の検索から複雑なパターンマッチングまで、正規表現は幅広い用途で使われます。この記事では、Pythonにおける正規表現を使った置換操作の基本から、より進んだテクニックまでを解説します。

正規表現とは

正規表現とは、特定のルールに従ったパターンを用いて文字列の検索や置換、データの検証を行うための強力な言語です。このパターンは、文字そのものや文字の集合、位置、回数などを表現するために、普通の文字と特殊な記号を組み合わせて作られます。例えば、「^abc」という正規表現は、”abc”で始まる文字列にマッチし、「[0-9]+」は一つ以上の数字の並びにマッチします。このように、正規表現を使うことで、複雑な条件をもつテキスト操作を一行のコードで実現できます。

正規表現による置換の基本操作

Pythonで正規表現を用いたテキストの置換を行う基本は、reモジュールのsub()関数を使用することです。この関数は、指定されたパターンに一致するすべての部分を、新しい文字列で置換します。

import re

# 置換前のテキスト
text = "Pythonは楽しい。Pythonを学ぼう。"
# 置換するパターンと置換後の文字列
pattern = "Python"
repl = "プログラミング"
# 置換実行
new_text = re.sub(pattern, repl, text)
print(new_text)

プログラミングは楽しい。プログラミングを学ぼう。

このシンプルな例では、text内のすべての”Python”を”プログラミング”に置換しています。

複数パターンの置換

複数のパターンを一度に置換するには、パターンを|で区切って複数指定します。異なる置換を動的に行うには、replパラメータに関数を指定する方法があります。

text = "猫はかわいい。犬もかわいい。"
pattern = "猫|犬"
def repl(match):
    return "動物" if match.group(0) == "猫" else "ペット"
new_text = re.sub(pattern, repl, text)
print(new_text)

動物はかわいい。ペットもかわいい。

このrepl関数では、マッチしたオブジェクトに基づいて置換する新しい文字列を返します。match変数は、マッチしたオブジェクトを表し、match.group(0)はマッチした文字列そのものです。この関数では、「猫」とマッチした場合は「動物」に、「犬」とマッチした場合は「ペット」に置換するように指定しています。

Pandasでの正規表現を用いた置換

Pandasでは、replace()メソッドにregex=Trueオプションを指定することで、正規表現を使用したテキストデータの置換が可能です。これにより、DataFrameやSeries内のテキストを柔軟にかつ効率的に処理できます。

以下の例では、DataFrame内の全ての”Python”という文字列を”プログラミング”に置換しています。to_replaceに指定された”Python”は正規表現として解釈され、これによりDataFrame内の任意の場所にある”Python”という文字列が”プログラミング”に置換されます。

import pandas as pd

data = {'テキスト': ["Pythonは楽しい", "Pythonを学ぼう"]}
df = pd.DataFrame(data)
df['テキスト'] = df['テキスト'].replace(to_replace="Python", value="プログラミング", regex=True)
print(df)

          テキスト
0  プログラミングは楽しい
1  プログラミングを学ぼう

この場合、to_replace="Python"は正規表現パターンとして機能し、文字列”Python”に一致します。regex=Trueが指定されているため、Pandasはこのパターンを正規表現として処理し、一致するすべての部分を置換します。

グループと後方参照を使った置換

正規表現のグループ化(())を使用すると、マッチした部分文字列を後で再利用（後方参照）できます。これは特に、置換の際にマッチした部分を新しい文脈で使用したい場合に便利です。

# 置換対象のテキストを定義
text = "2023/02/20"

# 正規表現パターンを定義。年、月、日をそれぞれグループ化
pattern = "(\d{4})/(\d{2})/(\d{2})"

# 置換後のフォーマットを定義。月、日、年の順に変更
repl = "\\2-\\3-\\1"

# 定義したパターンに基づき、テキスト内の日付フォーマットを置換
new_text = re.sub(pattern, repl, text)

# 置換後のテキストを出力
print(new_text)

02-20-2023

この部分は少しわかりづらいかもしませんので、詳細に説明します。

• textは置換を行いたい元の文字列です。この例では「2023/02/20」という日付フォーマットを持っています。
• patternは正規表現で、日付のパターンを表しています。\d{4}は4桁の数字（年）を意味し、\d{2}は2桁の数字（月または日）を意味します。括弧()によってこれらの部分をグループ化しています。これにより、置換時に特定の部分（年、月、日）を参照できるようになります。
• replは置換後のフォーマットを示しています。ここでは、\\2、\\3、\\1を用いて、元のテキストの2番目（月）、3番目（日）、1番目（年）のグループを新しい順序で参照しています。つまり、年/月/日のフォーマットを月-日-年のフォーマットに変更しています。
• re.sub()関数は、指定されたパターンにマッチするすべての部分を、指定された置換テキストに置換します。この例では、patternにマッチする日付をreplで定義された新しいフォーマットに置換しています。

このコードは、日付のフォーマットを変更する一般的な用途で使用される典型的な例です。正規表現のグループ化と後方参照を利用することで、非常に柔軟かつ強力なテキスト処理が可能になります。

Pythonの正規表現を用いた置換は、テキストデータの処理を効率的かつ強力に行う方法です。この記事で紹介した基本操作から複数パターンの置換、グループ化や後方参照などのテクニックを活用して、Pythonでのテキスト処理をより効果的に行いましょう。