Ähnlich wie die findall()-Funktion, mit dem kompilierten Muster, akzeptiert aber auch optionale pos- und endpos-Parameter, die den Suchbereich wie für search() einschränken. Beachten Sie, dass bei Verwendung der Unicode-Muster [a-z] oder [A-Z] in Kombination mit dem IGNORECASE-Flag sie entsprechen den 52 ASCII-Buchstaben und 4 weiteren Nicht-ASCII-Buchstaben: “` (U+0130, lateinischer Großbuchstabe I mit Punkt oben), “` (U+0131, lateinischer kleiner Buchstabe punktlos i), `s` (U+017F, lateinischer Kleinbuchstabe lang) und `K` (U+212A, Kelvin-Zeichen). Wenn das ASCII-Flag verwendet wird, werden nur die Buchstaben “a” bis “z” und “A” bis “Z” übereinstimmen. Der Iris-Datensatz ist ein multivariater Datensatz mit 50 Datenproben von je drei “Iris”-Pflanzenarten. Anhand dieses Datensatzes können Sie bestimmte Muster (Datenmuster) mit Hilfe von Machine Learning identifizieren. Dieser Datensatz wird häufig von Anfängern für Machine Learning-Projekte verwendet. split() teilt eine Zeichenfolge in eine Liste auf, die durch das übergebene Muster getrennt ist. Die Methode ist von unschätzbarem Wert für die Konvertierung von Textdaten in Datenstrukturen, die von Python leicht gelesen und geändert werden können, wie im folgenden Beispiel gezeigt, das ein Telefonbuch erstellt. Wenn Sie mehr Informationen über alle Übereinstimmungen eines Musters als den übereinstimmenden Text möchten, ist finditer() nützlich, da es Übereinstimmungsobjekte anstelle von Zeichenfolgen bereitstellt. Wenn ein Writer alle Adverbien und ihre Positionen in einem Text finden möchte, wird finditer() wie folgt verwendet: Geben Sie alle nicht überlappenden Übereinstimmungen des Musters in zeichenfolgen als Liste von Zeichenfolgen zurück. Die Zeichenfolge wird von links nach rechts gescannt, und Übereinstimmungen werden in der gefundenen Reihenfolge zurückgegeben. Wenn eine oder mehrere Gruppen im Muster vorhanden sind, geben Sie eine Liste von Gruppen zurück.
Dies ist eine Liste von Tupeln, wenn das Muster mehr als eine Gruppe hat. Leere Übereinstimmungen sind im Ergebnis enthalten. Geben Sie ein Tupel zurück, das alle Untergruppen der Übereinstimmung enthält, von 1 bis zu vielen Gruppen, die sich im Muster befinden. Das Standardargument wird für Gruppen verwendet, die nicht an der Übereinstimmung teilgenommen haben. Sie ist standardmäßig auf Keine. Die richtigen Params für Ihr Muster zu finden, um sich auszuspielen, kann Experimente in Anspruch nehmen. Sehen Sie sich die Ergebnis()-Funktion im Notizbuch an, um zu bestätigen, ob Ihre Muster eine positive Kante haben oder nicht. Als Nächstes nehmen wir das aktuelle Muster und vergleichen es mit allen vorherigen Mustern. Was wir tun werden, ist die prozentuale Ähnlichkeit mit allen vorherigen Mustern zu vergleichen. Wenn ihre prozentuale Ähnlichkeit mehr als eine bestimmte Schwelle ist, dann werden wir sie berücksichtigen. Von hier aus haben wir vielleicht 20-30 vergleichbare Muster aus der Geschichte. Mit diesen ähnlichen Mustern können wir dann alle ihre Ergebnisse aggregieren und ein geschätztes “durchschnittliches” Ergebnis erzielen.
Mit diesem durchschnittlichen Ergebnis, wenn es sehr günstig ist, dann könnten wir einen Kauf initiieren. Wenn das Ergebnis nicht günstig ist, vielleicht verkaufen wir, oder kurz.