如何从车辆数据集提取车型名称？正则提取异常求助

问题分析 #

你之前用的正则表达式(\w+)只能匹配字母、数字和下划线，覆盖不了车型名里的连字符（-）和空格，而且会在遇到第一个非\w字符时停止匹配，所以没法正确提取WR-V、X1 xDrive20d这类特殊格式的车型名称。

解决方案 #

用更灵活的正则表达式，精准匹配车型名部分，同时排除后续的配置参数（比如排量、配置代码）：

model_name = df['Model'].str.extract(r'^([\w\s-]+?)(?=\s+\d|\s+[A-Z]{2,}|\s+Magna|\s+G|\s*$)').str.strip()

正则说明 #

• ^：匹配字符串开头，确保从车型名起始位置提取
• ([\w\s-]+?)：捕获分组，匹配字母、数字、空格、连字符，+?用非贪婪模式，避免把配置内容也匹配进来
• (?=...)：正向预查，遇到以下任意情况就停止匹配：
  • \s+\d：空格后跟着数字（比如排量参数1.2）
  • \s+[A-Z]{2,}：空格后跟着两个及以上大写字母（比如配置代码VX、VDI）
  • \s+Magna：空格后跟着特定配置名称Magna
  • \s+G：空格后跟着单个字母的配置标识（比如Glanza G里的G）
  • \s*$：字符串结尾（保证WR-V、X1 xDrive20d这类无后续配置的完整车型名被全部提取）
• .str.strip()：去掉提取结果两端的多余空格，保证输出整洁

验证结果 #

针对你的样例数据，提取结果如下：

对于特殊格式的车型名：

• WR-V → 提取WR-V
• X1 xDrive20d → 提取X1 xDrive20d
• S-Presso → 提取S-Presso

完全符合你的期望输出要求。

内容的提问来源于stack exchange，提问作者Gaurav