如何删除DataFrame中非邮箱行？求更优邮箱数据清洗方案

先还原你的问题场景：

我有一个需仅保留邮箱地址的DataFrame，数据如下：

email
1   jquery@3.5                         #it is not an e-mail so delete it
2   amministrazione@edilportale.com    #it is a a e-mail so keep it
3   258x530@2x.png                     #it is not an e-mail so delete it
4   secco@2x.png                       #...

请问如何删除其中非邮箱的行？我设想可通过判断点（.）后为数字或.png等图片后缀来删除，该如何实现？是否有更优方案？
补充说明：我此前爬取邮箱时使用的正则表达式为：

mail_list = re.findall('\w+@\w+\.{1}\w+', html_text)

嘿，你的思路完全可行，但确实有更通用的优化方案，我分两种情况给你讲：

一、实现你设想的判断逻辑 #

如果你就想按照“点后是数字”或者“图片后缀”来过滤，用pandas的字符串匹配就能搞定：

先构造示例DataFrame（和你的数据对应）：

import pandas as pd

df = pd.DataFrame({
    'email': [
        'jquery@3.5',
        'amministrazione@edilportale.com',
        '258x530@2x.png',
        'secco@2x.png'
    ]
})

然后写排除规则的正则，筛选出不满足无效条件的行：

# 匹配两种无效情况：@后面带.数字，或者结尾是.png（可以加其他图片后缀比如.jpg）
valid_df = df[~df['email'].str.contains(r'@.*\.\d+|@.*\.png$', case=False)]

这里的~是取反的意思，相当于“保留不匹配这两种情况的行”，运行后你就能得到只有amministrazione@edilportale.com的有效DataFrame了。

二、更优方案：用严谨的邮箱正则筛选 #

你的爬取正则比较简单，可能会漏掉很多合法邮箱（比如user.name@domain.co.uk这种带点的用户名或多后缀域名），也会误抓无效格式。推荐用更贴合邮箱规范的正则来筛选，一步到位更准确：

# 适配大多数常见邮箱格式的正则
email_pattern = r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$'

# 筛选符合标准邮箱格式的行
valid_df = df[df['email'].str.match(email_pattern)]

这个正则的逻辑是：

• 用户名部分允许字母、数字和._%+-这些合法符号
• 域名主体允许字母、数字、.和-
• 域名后缀必须是.+至少2个字母（覆盖.com、.org、.co.uk这类常见后缀）

用这个方法，不仅能排除你提到的无效行，还能过滤其他奇奇怪怪的无效格式，比单独判断数字或图片后缀要通用得多。

三、额外建议：爬取阶段就优化 #

既然你是爬取得到的邮箱，其实可以直接在爬取时就用这个严谨的正则，减少后续清理的麻烦：

mail_list = re.findall(email_pattern, html_text)

这样爬出来的就是已经符合规范的邮箱，DataFrame自然就不用再清理啦～

内容的提问来源于stack exchange，提问作者Pren Ven