正则表达式分离带后缀数字的国家名称问题排查

问题原因 #

你的正则([a-zA-Z]*)(\d*)导致第一分组捕获空值、Country列变空，主要有两个核心原因：

• [a-zA-Z]*仅匹配大小写字母，若国家名称包含空格、连字符等非字母字符，正则会在这些字符前匹配0次字母，直接导致第一分组为空。
• *是允许匹配0次的量词，当字符串存在数字开头的情况（哪怕是个别数据），或者正则引擎的匹配优先级优先选择空的字母分组，也会出现第一分组为空的问题。

修正方案 #

改用更通用的正则匹配逻辑，结合pandas的字符串方法正确提取分组内容：

步骤1：调整正则表达式 #

用(\D*)(\d*)替代原正则，其中：

• \D*匹配所有非数字字符，覆盖字母、空格、特殊字符等国家名称常见格式
• \d*匹配所有数字后缀

步骤2：正确编写处理函数 #

import pandas as pd

def new_name2(df):
    # 提取非数字前缀和数字后缀两个分组
    extracted = df['Country'].str.extract(r'(\D*)(\d*)')
    # 将清洗后的国家名称赋值回原列，去除可能的冗余空格
    df['Country'] = extracted[0].str.strip()
    # 可选：新增列存储数字后缀，空值替换为pd.NA
    df['Country_Suffix'] = extracted[1].replace('', pd.NA)
    return df

测试示例 #

# 构造测试数据
test_df = pd.DataFrame({
    'Country': ['France6', 'Germany', 'Japan12', 'South Korea8', 'Brazil']
})
# 执行函数
cleaned_df = new_name2(test_df)
print(cleaned_df)

运行结果：

Country Country_Suffix
0        France              6
1       Germany           <NA>
2         Japan             12
3  South Korea              8
4        Brazil           <NA>

内容的提问来源于stack exchange，提问作者Hugo_DH