正規表現（Regex）を使ってPandasシリーズの有効なメールアドレスをフィルタリングする方法

正規表現（Regex）とは、検索パターンを定義するための文字列のことです。本記事では、この正規表現を活用して、有効なメールアドレスと無効なメールアドレスを判別・フィルタリングする方法を解説します。

具体的には、さまざまなメールアドレスを含むPandasシリーズを定義し、どのメールアドレスが有効であるかを確認します。また、Pythonで正規表現を扱うための標準ライブラリ「re」も使用します。

アルゴリズム

ステップ1：さまざまなメールアドレスを含むPandasシリーズを定義する。
ステップ2：メールアドレスの有効性を判定するための正規表現パターンを定義する。
ステップ3：reライブラリの re.search() 関数を使って、メールアドレスの有効性をチェックする。

サンプルコード

import pandas as pd
import re

series = pd.Series(['jimmyadams123@gmail.com', 'hellowolrd.com'])
regex = '^[a-z0-9]+[\._]?[a-z0-9]+[@]\w+[.]\w{2,3}$'
for email in series:
    if re.search(regex, email):
        print("{}: Valid Email".format(email))
    else:
        print("{} : Invalid Email".format(email))

実行結果

jimmyadams123@gmail.com: Valid Email
hellowolrd.com : Invalid Email

解説

変数 regex に使用されている主な記号とその意味は以下のとおりです。

• ^：文字列の先頭を示すアンカー
• [ ]：角括弧で囲まれた部分は文字クラスを定義し、その中のいずれか1文字にマッチする
• \：エスケープ文字。特殊文字を通常の文字として扱う際に使用
• .：ドットは改行以外の任意の1文字にマッチする
• {}：波括弧は繰り返し回数などの範囲指定に使用される
• $：ドル記号は文字列の末尾を示すアンカー

このパターンでは、小文字の英数字で始まり、オプションでドットまたはアンダースコアを含み、「@」の後にドメイン名、さらに「.」と2〜3文字のトップレベルドメインが続く形式のメールアドレスを有効と判定しています。実際の業務では、国際化ドメインや新しいトップレベルドメインにも対応できるよう、より柔軟なパターン設計を検討するとよいでしょう。