如何从Pandas数据框的链接中提取正则匹配的match-id？

问题背景 #

我从Cricinfo的年度T20比赛结果页面生成了Pandas表格，需要从表格的Scorecard列链接中提取match-id——即位于t20i-模式之后、斜杠之前的连续数字（例如某场比赛链接对应的match-id为211048）。

生成表格的代码如下：

import pandas as pd
import re

url = 'https://www.espncricinfo.com/records/year/team-match-results/2005-2005/twenty20-internationals-3'
base_url = 'https://www.espncricinfo.com'

table = pd.read_html(url, extract_links = "body")[0]
table = table.apply(lambda col: [link[0] if link[1] is None else f'{base_url}{link[1]}' for link in  col])

单个链接的提取逻辑是可行的：

scorecard_url = 'https://www.espncricinfo.com/series/australia-tour-of-new-zealand-2004-05-61407/new-zealand-vs-australia-only-t20i-211048/full-scorecard'
match_id = re.findall('t20i-(\d*)/', scorecard_url)
match_id[0]  # 返回结果：'211048'

但批量处理表格时遇到两个错误：

1. 直接用re.findall处理Scorecard列，报错：TypeError: expected string or bytes-like object
2. 将列转为字符串后再处理，报错：ValueError: Length of values (0) does not match length of index (3)

解决方案 #

方法1：使用Pandas str.extract（推荐） #

str.extract是Pandas专门为Series字符串处理设计的方法，能直接对整列执行正则捕获：

table['match_id'] = table['Scorecard'].str.extract(r't20i-(\d+)/')

• 正则表达式r't20i-(\d+)/'中的(\d+)会精准捕获t20i-后的连续数字
• 自动为每一行返回匹配到的内容，无匹配项时返回NaN

方法2：使用apply+自定义函数 #

如果需要更灵活的处理逻辑，可以用apply逐行调用正则匹配函数：

def get_match_id(url):
    match_result = re.search(r't20i-(\d+)/', url)
    return match_result.group(1) if match_result else None

table['match_id'] = table['Scorecard'].apply(get_match_id)

• re.search会在单个链接中查找第一个匹配项
• 找到匹配则返回捕获的数字，否则返回None

错误原因说明 #

1. 直接用re.findall处理Series：Python标准库的re函数仅支持单个字符串输入，无法直接处理Pandas Series对象，因此抛出类型错误。
2. 将Series转为字符串处理：转成字符串后，整列会变成包含索引和换行的文本格式（比如0 https://xxx...\n1 https://yyy...），正则表达式无法匹配到目标结构，返回空列表，而表格有3行，长度不匹配导致报错。

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