Python 3.10从URL字符串提取斜杠间数值及关联行ID

步骤1：编写匹配前缀与目标数值的正则表达式 #

需要精准匹配两类核心内容：

• 前缀：以Domain开头、以Id结尾的字符串（如DomainId、DomainSiteId，兼容输入中可能的拼写变体）
• 数值：前缀后斜杠之间的5-9位数字

对应的正则表达式：(Domain\w*Id)/(\d{5,9})

• (Domain\w*Id)：捕获前缀部分，\w*匹配中间任意字母数字，适配不同前缀写法
• (\d{5,9})：严格捕获5-9位的目标数值

步骤2：提取数据并重塑表格 #

利用pandas的字符串提取工具获取匹配结果，再通过透视表将长格式数据转为期望的宽格式，最后关联原表的id列。

完整代码示例 #

import pandas as pd

# 示例数据
data = {
    "id": [1, 2, 3],
    "url": [
        "https://company.db.abcd.com/DomainId/123456789/Other",
        "https://company.db.abcd.com/DomainSiteId/123456/Other",
        "https://companyaddedwords.db.abcd.com/DomainId/1234567/Other"
    ]
}
df = pd.DataFrame(data)

# 提取前缀和对应数值
extracted = df.url.str.extract(r'(Domain\w*Id)/(\d{5,9})', expand=True)
extracted.columns = ["prefix", "value"]
extracted["id"] = df["id"]

# 转换为宽表格式
result = extracted.pivot(index="id", columns="prefix", values="value").reset_index()

# 修正列名（适配输入中可能的拼写错误）
result = result.rename(columns={"DomainainSiteId": "DomainSiteId"})

print(result)

输出结果 #

id    DomainId DomainSiteId
0   1  123456789          NaN
1   2         NaN       123456
2   3   1234567          NaN

补充说明 #

• 如果原数据中确实存在DomainainSiteId这类特殊前缀，正则会自动匹配，只需在rename中对应调整列名即可
• 若单个URL可能包含多个匹配项，替换为str.extractall后再做分组处理即可

内容的提问来源于stack exchange，提问作者Rich