如何用Python正则提取DataFrame列中4/5位数字左侧内容？

问题场景 #

现有一个Pandas DataFrame列，包含的字符串格式如下：

column name
    0   129 4,029.16 08-31-13 8043 304.12 02-28-13 00T773466
    1   19 179.00 03-31-12 T0707440 7794 2,898.56 01-31-13 00T757276
    2   19716 3.36 01-31-15 00T729912 30593 6,041.74 12-31-16 00T770362
    3   19870 131.22 02-28-15 00T709284 4 30611 199.46 02-03-23 12-31-16 00T691818
    4   19984 12.25 02-28-15 00T879664 30647 199.45 12-31-16 00T691818
    5   20505 1,206.13 03-31-15 00T590582 30648 199.45 12-31-16 00T691818
    6   20623 84.11 04-30-15 00T621725 30759 3,325.27 12-31-16 00T580639

需要提取每个字符串中第一个4或5位数字左侧的所有内容到单独的before列，预期结果如下：

before
0   129 4,029.16 08-31-13
1   19 179.00 03-31-12 T0707440
2   19716 3.36 01-31-15 00T729912
3   19870 131.22 02-28-15 00T709284 4
4   19984 12.25 02-28-15 00T879664
5   20505 1,206.13 03-31-15 00T590582
6   20623 84.11 04-30-15 00T621725

目前已通过以下代码成功提取该数字右侧的内容：

df['after']=df['column_name'].str.extract('(\s\d{4,5}\s+.*)')

解决方案 #

方法1：使用str.extract配合正则捕获 #

利用正则的非贪婪匹配，捕获字符串开头到第一个4/5位数字前的所有内容：

df['before'] = df['column_name'].str.extract(r'^(.*?)\s\d{4,5}\s')

• 正则说明：
  • ^：匹配字符串起始位置
  • (.*?)：非贪婪模式捕获任意字符，直到遇到后续的匹配规则
  • \s\d{4,5}\s：匹配“空格+4/5位数字+空格”，定位到目标分割点

方法2：使用str.split分割取首段 #

通过str.split只分割一次，取分割后的第一部分内容：

df['before'] = df['column_name'].str.split(r'\s\d{4,5}\s', n=1).str[0]

• 参数说明：
  • n=1：限制只分割一次，确保只匹配第一个4/5位数字的位置
  • .str[0]：取分割后的第一个元素，即目标左侧内容

两种方法都能准确得到预期的before列结果。

内容的提问来源于stack exchange，提问作者Nev1111