如何在Pandas中移除字符串中的http://、https://或www.

需求说明 #

需要对Pandas DataFrame中名为URL的列做处理，移除所有开头的http://、https://或www.前缀（包括多个前缀叠加的情况，比如http://https://www.xxx），只保留核心域名部分。

示例输入：

http://www.jhu.edu
http://www.brown.edu
http://https://www.amherst.edu
http://www.usc.edu

处理后预期输出：

jhu.edu
brown.edu
amherst.edu
usc.edu

解决方案 #

使用Pandas的str.replace结合正则表达式，可以一次性处理所有前缀情况，包括多个前缀叠加的场景：

1. 构造示例数据

import pandas as pd

data = {
    "URL": [
        "http://www.jhu.edu",
        "http://www.brown.edu",
        "http://https://www.amherst.edu",
        "http://www.usc.edu"
    ]
}
df = pd.DataFrame(data)

2. 执行前缀移除操作

# 正则匹配开头的一个或多个目标前缀，替换为空字符串
df['URL'] = df['URL'].str.replace(r'^((http://|https://|www\.)+)', '', regex=True)

3. 查看处理结果

print(df['URL'])

输出结果：

0       jhu.edu
1    brown.edu
2    amherst.edu
3       usc.edu
Name: URL, dtype: object

正则表达式说明 #

• ^：匹配字符串的起始位置，确保只替换开头的前缀
• (http://|https://|www\.)+：匹配一个或多个连续的目标前缀（+表示至少出现一次），覆盖了单个前缀、多个前缀叠加的情况
• 替换为空字符串后，就只剩下核心域名部分

内容的提问来源于stack exchange，提问作者bananasplitty