使用正则表达式提取子串：Pandas多子串范围提取与定位需求

以下是直接可落地的实现方案，针对你要在指定起止索引范围内提取子串、同时获取匹配位置和子串信息的需求：

1. 核心思路 #

利用Python的re.finditer()获取所有正则匹配结果（包含位置信息），过滤出完全落在指定起止范围内的匹配项，最后将结果整合到Pandas数据结构中。

2. 代码实现 #

步骤1：导入依赖并准备测试数据 #

import pandas as pd
import re

# 构造测试DataFrame
df = pd.DataFrame({
    'text': [
        '这是测试字符串：abc123def456ghi789',
        '另一个例子：xyz789jkl123mno456',
        '无匹配示例：pqrstuvwxyz'
    ]
})

步骤2：定义提取函数 #

这个函数处理单个字符串，返回指定范围内的所有匹配结果，包含子串内容、位置和分组信息：

def extract_in_range(text, start_idx, end_idx, pattern):
    results = []
    # 遍历所有正则匹配项
    for match in re.finditer(pattern, text):
        # 检查匹配子串是否完全落在指定区间内（可按需调整为部分重叠逻辑）
        if match.start() >= start_idx and match.end() <= end_idx:
            # 收集分组信息（支持命名分组和编号分组）
            group_details = {}
            # 优先处理命名分组
            for group_name in match.re.groupindex:
                group_details[group_name] = match.group(group_name)
            # 无命名分组时用编号分组
            if not group_details:
                for i in range(1, len(match.groups()) + 1):
                    group_details[f'分组{i}'] = match.group(i)
            
            results.append({
                '匹配子串': match.group(),
                '起始位置': match.start(),
                '结束位置': match.end(),
                '分组详情': group_details
            })
    return results if results else None

步骤3：应用函数到DataFrame #

假设要在每个字符串的索引10到20之间（左闭右开）提取「字母+数字」的组合：

# 应用提取函数
df['匹配结果'] = df['text'].apply(
    lambda x: extract_in_range(x, start_idx=10, end_idx=20, pattern=r'([a-z]+)(\d+)')
)

步骤4：展开结果便于查看 #

如果每个字符串有多个匹配项，可将结果展开为多行：

# 展开嵌套的匹配结果
expanded_df = df.explode('匹配结果').reset_index(drop=True)
# 将字典格式的匹配结果拆分为独立列
expanded_df = pd.concat(
    [expanded_df.drop('匹配结果', axis=1), expanded_df['匹配结果'].apply(pd.Series)],
    axis=1
)

print(expanded_df)

3. 关键说明 #

• 区间判断：代码默认子串完全落在指定范围内，若需允许部分重叠，可修改判断条件为match.end() > start_idx and match.start() < end_idx
• 正则灵活度：可根据需求替换pattern参数，比如匹配特定关键词r'(abc|def|ghi)'
• 空值处理：指定范围内无匹配时返回None，可后续用dropna()过滤无效行

内容的提问来源于stack exchange，提问作者julie