ValueError: pattern contains no capture groups
str.extract scoate doar ce pui între paranteze rotunde în expresia regulată, iar expresia ta nu are niciun grup. Pune între paranteze partea pe care vrei s-o extragi: str.extract(r"(\d+)") în loc de str.extract(r"\d+").
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
str.extract întoarce câte o coloană pentru fiecare grup de captură din expresia regulată, adică pentru fiecare pereche de paranteze ( ... ). Fără niciun grup, pandas nu știe ce parte din potrivire să-ți dea și se oprește cu acest mesaj.
Un grup necapturant, (?: ... ), nu contează: e folosit doar pentru grupare, nu pentru extragere. La fel, parantezele precedate de \ (\() caută caracterul paranteză în text.
Aceeași regulă e valabilă pentru str.extractall. Dacă vrei doar să verifici că textul se potrivește, folosește str.contains; dacă vrei toată potrivirea fără grupuri, str.findall sau un grup în jurul întregii expresii.
De ce apare: cauzele frecvente
1Expresia nu are paranteze
df["cod"] = df["descriere"].str.extract(r"PRD-\d+")df["cod"] = df["descriere"].str.extract(r"(PRD-\d+)")Parantezele marchează partea care se extrage; aici, tot codul produsului.
2Doar grupuri necapturante
df["descriere"].str.extract(r"(?:PRD|SRV)-\d+")df["descriere"].str.extract(r"((?:PRD|SRV)-\d+)")(?:...) grupează alternativele, dar nu extrage. Un grup normal în jurul întregii expresii captează codul.
3Voiai de fapt o verificare
are_cod = df["descriere"].str.extract(r"\d{4}")are_cod = df["descriere"].str.contains(r"\d{4}")str.contains întoarce True/False pentru fiecare rând și nu are nevoie de grupuri.
Repară eroarea, direct în pagină
Codul de mai jos vrea să scoată codul produsului (de forma PRD-123) din descrierea fiecărei linii de comandă, dar str.extract dă ValueError: pattern contains no capture groups. Repară expresia ca să afișeze lista codurilor.
import pandas as pd
df = pd.DataFrame({"descriere": [
"Caiet A4 (PRD-104), 5 buc",
"Pix albastru PRD-23",
"Rucsac PRD-3001 negru",
]})
df["cod"] = df["descriere"].str.extract(r"PRD-\d+", expand=False)
print(df["cod"].tolist())['PRD-104', 'PRD-23', 'PRD-3001']
Indiciu
Pune toată expresia între paranteze rotunde și folosește expand=False.
Reparația
import pandas as pd
df = pd.DataFrame({"descriere": [
"Caiet A4 (PRD-104), 5 buc",
"Pix albastru PRD-23",
"Rucsac PRD-3001 negru",
]})
df["cod"] = df["descriere"].str.extract(r"(PRD-\d+)", expand=False)
print(df["cod"].tolist())De ce merge
str.extract întoarce doar ce prinde un grup de captură, adică ce stă între paranteze rotunde. Cu (PRD-\d+), grupul cuprinde prefixul și toate cifrele de după el, deci se extrage codul complet din fiecare descriere. expand=False face ca rezultatul să fie un Series, potrivit pentru o coloană nouă.
Cum o eviți pe viitor
- La
str.extract, scrie întâi parantezele în jurul părții dorite, apoi restul expresiei. - Folosește
expand=Falsecând ai un singur grup și vrei un Series, nu un DataFrame. - Dă nume grupurilor (
(?P<cod>...)) când extragi mai multe bucăți: devin numele coloanelor. - Testează expresia pe câteva valori înainte să o aplici pe tot tabelul.
Întrebări frecvente
De ce str.extract întoarce un DataFrame, nu o coloană?
Pentru că pot fi mai multe grupuri, fiecare cu coloana lui. Cu un singur grup, str.extract(r"(\d+)", expand=False) întoarce direct un Series.
Ce primesc pe rândurile fără potrivire?
Valoare lipsă (NaN). Verifică după extragere cu .isna().sum() câte rânduri nu s-au potrivit.
Erori înrudite
re.PatternError: nothing to repeat at position 0 Metodele .str.contains, .str.replace, .str.extract tratează textul căutat ca expresie regulată, iar caractere ca + * ? ( [ au sens special. Pentru o căutare de text simplu adaugă regex=False sau scapă caracterele cu re.escape(). AttributeError: Can only use .str accessor with string values, not integer Ai folosit o metodă .str (startswith, contains, upper, replace...) pe o coloană care nu e de tip text, aici una de numere întregi. Transformă întâi coloana în text cu astype(str), apoi aplică .str; sau, dacă e deja numerică, folosește operații numerice în loc de text. ValueError: Cannot mask with non-boolean array containing NA / NaN values Ai filtrat cu o mască făcută cu .str (de obicei str.contains) pe o coloană care are și valori lipsă sau numere: pe acele rânduri masca are NaN, nu True/False. Pune na=False: df[df["email"].str.contains("gmail", na=False)], sau convertește coloana în text înainte. Învață Python pentru analiza datelor de la zero, cu exerciții la fiecare lecție
Curs Data Analysis with Python: lecții scurte, fiecare cu un exercițiu verificat automat, direct în browser. Primele 15 lecții sunt gratuite.
