如何从DataFrame测量值中分离含字符、符号和数字的复杂计量单位？

问题场景 #

现有如下格式的DataFrame，其中value列包含数值与复杂计量单位的组合（比如带面积符号、分数形式、科学计数相关的单位），需要将数值与单位分离到对应的value和unit列：

期望输出 #

处理后得到如下结果，数值部分提取到value列，单位部分清理多余空格后存入unit列：

实现方案 #

利用Python的pandas结合正则表达式可以快速实现需求，核心逻辑是提取字符串开头的数值部分，再清理单位中的多余空格：

import pandas as pd

# 构造示例DataFrame（实际使用时替换为你的数据源）
data = {
    'measurements': ['mea1', 'mea2', 'mea3', 'mea4', 'mea5', 'mea6'],
    'value': ['12.8875cm2', '33.1 mL/min/1.73m2', '2.53mg / dL', '0.005ml/ min / m2', '0.8ml/m2', '0.73x10^3/UL'],
    'unit': ['', '', '', '', '', '']
}
df = pd.DataFrame(data)

# 提取开头的数值（整数/小数）和剩余的单位部分
df[['extracted_value', 'raw_unit']] = df['value'].str.extract(r'^(\d+\.?\d*)\s*(.*)$')

# 清理单位中的所有多余空格
df['unit'] = df['raw_unit'].str.replace(r'\s+', '', regex=True)

# 更新value列为提取的数值，删除临时辅助列
df['value'] = df['extracted_value']
df = df.drop(['extracted_value', 'raw_unit'], axis=1)

# 查看结果
print(df)

正则说明 #

正则表达式 ^(\d+\.?\d*)\s*(.*)$ 的作用：

• ^(\d+\.?\d*)：匹配字符串开头的数值部分，支持整数（如33）和小数（如12.8875、0.005）
• \s*：匹配数值与单位之间的任意数量空格
• (.*)$：匹配剩余的所有内容作为原始单位

内容的提问来源于stack exchange，提问作者Luckyboy. Jupiterchen